KR20190114229A - 영상 처리 장치 및 방법 - Google Patents
영상 처리 장치 및 방법 Download PDFInfo
- Publication number
- KR20190114229A KR20190114229A KR1020180036617A KR20180036617A KR20190114229A KR 20190114229 A KR20190114229 A KR 20190114229A KR 1020180036617 A KR1020180036617 A KR 1020180036617A KR 20180036617 A KR20180036617 A KR 20180036617A KR 20190114229 A KR20190114229 A KR 20190114229A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- images
- input
- low resolution
- resolution
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012545 processing Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 19
- 238000003672 processing method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000002591 computed tomography Methods 0.000 abstract description 8
- 238000002059 diagnostic imaging Methods 0.000 abstract description 6
- 239000000284 extract Substances 0.000 description 5
- 210000000988 bone and bone Anatomy 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 210000000481 breast Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 210000002216 heart Anatomy 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000004291 uterus Anatomy 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 210000003041 ligament Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- 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
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Pulmonology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Processing (AREA)
Abstract
일 실시예에 따른 영상 처리 장치는 대상체에 대해 소정 간격(thickness)으로 단층 촬영된 저해상도 영상들을 입력받는 입력부와, 상기 입력부를 통해 입력받은 저해상도 영상들 중에서 상기 간격을 정의하는 방향에 따라 인접해있는 제1 및 제2 저해상도 영상에 기초하여서 보간용 영상을 획득하고, 상기 제1 저해상도 영상, 상기 보간용 영상 및 상기 제2 저해상도 영상 순으로 적층되어 형성된 3차원 영상으로부터, 복수 개의 픽셀들로 구성된 3차원 형태의 패치를 단위로 하는 3차원의 입력 영상을 복수 개 추출하는 전처리부와, 상기 복수 개의 입력 영상 각각을 입력으로 받아서, 상기 복수 개의 입력 영상 각각에 대해 상기 패치를 단위로 하면서 상기 저해상도 영상보다 해상도가 높은 3차원의 고해상도 영상을 출력하는 인공 신경망 모델(artificial neural network model)부를 포함한다.
Description
본 발명은 영상 처리 장치 및 방법에 관한 것이다.
CT(computed tomography) 장치는 대상체의 뼈는 물론 디스크, 관절, 신경, 인대 또는 장기 등에 대한 영상을 원하는 각도에서 3차원적으로 보여준다.
이러한 CT 장치로부터 제공되는 영상을 고해상도로 저장할 경우 환자 1명당 수백 MB 이상의 저장 공간이 필요한데, 이는 병원에 부담이 될 수 있다. 따라서, 일반적인 경우 병원은 CT 장치로부터 영상 획득 후 판독까지의 일정기간 동안만 고해상도로 영상을 저장 및 보관하고 있다가, 그 이후에는 영상의 해상도를 낮춰서, 즉 저해상도로 변환하여서 보관한다.
최근 의료영상 데이터에 대해 많은 정량화 연구가 시도되고 있다. 정량화 연구에는 고해상도 영상이 요구된다. 그런데, 기존에 보관 중인 영상이 저해상도일 경우, 이러한 저해상도 영상은 정량화 연구에 사용될 수 없다는 문제가 있다.
이에, 저해상도 영상을 고해상도로 변환하는 많은 기술들이 제안되고 있다.
본 발명의 해결하고자 하는 과제는 CT 장치와 같은 다양한 의료 영상 장치로부터 획득된 영상의 해상도가 낮을 경우 그 해상도를 높이는 기술을 제안하는 것이다.
다만, 본 발명의 해결하고자 하는 과제는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 해결하고자 하는 과제는 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
일 실시예에 따른 영상 처리 장치는 대상체에 대해 소정 간격(thickness)으로 단층 촬영된 저해상도 영상들을 입력받는 입력부와, 상기 입력부를 통해 입력받은 저해상도 영상들 중에서 상기 간격을 정의하는 방향에 따라 인접해있는 제1 및 제2 저해상도 영상에 기초하여서 보간용 영상을 획득하고, 상기 제1 저해상도 영상, 상기 보간용 영상 및 상기 제2 저해상도 영상 순으로 적층되어 형성된 3차원 영상으로부터, 복수 개의 픽셀들로 구성된 3차원 형태의 패치를 단위로 하는 3차원의 입력 영상을 복수 개 추출하는 전처리부와, 상기 복수 개의 입력 영상 각각을 입력으로 받아서, 상기 복수 개의 입력 영상 각각에 대해 상기 패치를 단위로 하면서 상기 저해상도 영상보다 해상도가 높은 3차원의 고해상도 영상을 출력하는 인공 신경망 모델(artificial neural network model)부를 포함한다.
또한, 상기 전처리부는 B-spline interpolation을 적용하여서 상기 보간용 영상을 획득할 수 있다.
또한, 상기 입력 영상에는 적어도 두 개의 저해상도 영상 각각의 일부가 포함되거나, 적어도 두 개의 보간용 영상 각각의 일부가 포함되거나 또는 적어도 한 개의 저해상도 영상 및 적어도 한 개의 보간용 영상 각각의 일부가 포함될 수 있다.
또한, 상기 인공 신경망 모델부는 상기 입력 영상과 동일한 형태이면서 사전에 마련된 복수 개의 테스트용 입력 영상과, 상기 복수 개의 테스트용 입력 영상에 대응되면서 상기 고해상도 영상과 동일한 형태이고 사전에 마련된 복수 개의 테스트용 고해상도 영상 간의 상관 관계를 학습(training)함으로써 형성된 것일 수 있다.
또한, 상기 상관 관계는 심층 컨볼루션 신경망을 학습 모델로 적용하여서 학습된 것일 수 있다.
또한, 상기 복수 개의 테스트용 입력 영상 각각은 사전에 마련된 저해상도 영상들 사이에 보간용 영상이 배치된 것이고, 상기 복수 개의 테스트용 고해상도 영상 각각은 상기 사전에 마련된 저해상도 영상보다 해상도가 높은 3차원의 고해상도 영상일 수 있다.
일 실시예에 따라 영상 처리 장치에 의해 수행되는 영상 처리 방법은 대상체에 대해 소정 간격(thickness)으로 단층 촬영된 저해상도 영상들을 입력받는 단계와, 상기 입력받은 저해상도 영상들 중에서 상기 간격을 정의하는 방향에 따라 인접해있는 제1 및 제2 저해상도 영상에 기초하여서 보간용 영상을 획득하는 단계와, 상기 제1 저해상도 영상, 상기 보간용 영상 및 상기 제2 저해상도 영상 순으로 적층되어 형성된 3차원 영상으로부터, 복수 개의 픽셀들로 구성된 3차원 형태의 패치를 단위로 하는 3차원의 입력 영상을 복수 개 추출하는 단계와, 상기 복수 개의 입력 영상 각각을 입력으로 받아서, 상기 복수 개의 입력 영상 각각에 대해 상기 패치를 단위로 하면서 상기 저해상도 영상보다 해상도가 높은 3차원의 고해상도 영상을 인공 신경망 모델을 통해 출력하는 단계를 포함한다.
일 실시예에 따른 컴퓨터 판독가능한 기록매체에 저장된 컴퓨터 프로그램은 대상체에 대해 소정 간격(thickness)으로 단층 촬영된 저해상도 영상들을 입력받는 단계와, 상기 입력받은 저해상도 영상들 중에서 상기 간격을 정의하는 방향에 따라 인접해있는 제1 및 제2 저해상도 영상에 기초하여서 보간용 영상을 획득하는 단계와, 상기 제1 저해상도 영상, 상기 보간용 영상 및 상기 제2 저해상도 영상 순으로 적층되어 형성된 3차원 영상으로부터, 복수 개의 픽셀들로 구성된 3차원 형태의 패치를 단위로 하는 3차원의 입력 영상을 복수 개 추출하는 단계와, 상기 복수 개의 입력 영상 각각을 입력으로 받아서, 상기 복수 개의 입력 영상 각각에 대해 상기 패치를 단위로 하면서 상기 저해상도 영상보다 해상도가 높은 3차원의 고해상도 영상을 인공 신경망 모델을 통해 출력하는 단계를 수행하도록 프로그램된다.
일 실시예에 따른 컴퓨터 판독가능한 기록매체는 대상체에 대해 소정 간격(thickness)으로 단층 촬영된 저해상도 영상들을 입력받는 단계와, 상기 입력받은 저해상도 영상들 중에서 상기 간격을 정의하는 방향에 따라 인접해있는 제1 및 제2 저해상도 영상에 기초하여서 보간용 영상을 획득하는 단계와, 상기 제1 저해상도 영상, 상기 보간용 영상 및 상기 제2 저해상도 영상 순으로 적층되어 형성된 3차원 영상으로부터, 복수 개의 픽셀들로 구성된 3차원 형태의 패치를 단위로 하는 3차원의 입력 영상을 복수 개 추출하는 단계와, 상기 복수 개의 입력 영상 각각을 입력으로 받아서, 상기 복수 개의 입력 영상 각각에 대해 상기 패치를 단위로 하면서 상기 저해상도 영상보다 해상도가 높은 3차원의 고해상도 영상을 인공 신경망 모델을 통해 출력하는 단계를 수행하도록 프로그램된 컴퓨터 프로그램을 저장한다.
일 실시예에 따라 영상의 해상도를 향상시키는 기술을 적용하는 경우, 보간법만을 이용하는 경우보다 신호 대 잡음비 면에서 향상된 성능의 구현이 가능하다.
아울러, 영상의 해상도를 향상시키기 위해 인공 신경망 모델부를 사용함에 있어서, 이러한 인공 신경망 모델부를 학습시키는데에 소모되는 리소스 및 실제로 인공 신경망 모델부를 이용하여서 고해상도 영상을 출력시키는데에 소모되는 리소스가 경감될 수 있으며, 이에 따라 그 처리 속도 또한 향상될 수 있다.
도 1에는 저해상도 영상이 복수 개 적층되어 있는 것과 고해상도 영상이 복수 개 적층되어 있는 것이 예시적으로 도시되어 있다.
도 2는 일 실시예에 따른 영상 처리 장치의 구성을 개념적으로 도시하고 있다.
도 3은 도 2에 도시된 전처리부에 의해 수행되는 전처리 과정을 도시하고 있다.
도 4는 도 2에 도시된 전처리부에 의해 수행되는 전처리 과정을 도시하고 있다.
도 5는 도 2에 도시된 인공 신경망 모델부에 의해 수행되는 영상 변환 과정을 도시하고 있다.
도 6은 일 실시예에 따른 영상 처리 방법의 과정을 도시하고 있다.
도 2는 일 실시예에 따른 영상 처리 장치의 구성을 개념적으로 도시하고 있다.
도 3은 도 2에 도시된 전처리부에 의해 수행되는 전처리 과정을 도시하고 있다.
도 4는 도 2에 도시된 전처리부에 의해 수행되는 전처리 과정을 도시하고 있다.
도 5는 도 2에 도시된 인공 신경망 모델부에 의해 수행되는 영상 변환 과정을 도시하고 있다.
도 6은 일 실시예에 따른 영상 처리 방법의 과정을 도시하고 있다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 '포함'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 '부'라는 용어는 소프트웨어 또는 FPGA나 ASIC과 같은 하드웨어 구성요소를 의미하며, '부'는 어떤 역할들을 수행한다. 그렇지만 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '부'들로 결합되거나 추가적인 구성요소들과 '부'들로 더 분리될 수 있다.
또한, 본 명세서에서, '제1', '제2' 또는 '제1-1' 등의 표현은 서로 다른 구성 요소, 개체, 영상, 픽셀 또는 패치를 지칭하기 위한 예시적인 용어이다. 따라서, 상기 '제1', '제2' 또는 '제1-1' 등의 표현이 구성 요소 간의 순서를 나타내거나 우선 순위를 나타내는 것은 아니다.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.
본 명세서에서 '대상체(object)'는 사람 또는 동물, 또는 사람 또는 동물의 일부를 포함한다. 예를 들어, 대상체는 간, 심장, 자궁, 뇌, 유방, 복부 등의 장기나 혈관 또는 뼈 등을 포함할 수 있다.
또한, 본 명세서에서 '영상'은 이산적인 이미지 요소들(예를 들어, 2차원 이미지에 있어서의 픽셀들 및 3차원 이미지에 있어서의 복셀들)로 구성된 다차원(multi-dimensional) 데이터를 의미한다. 이에 따라, 영상은 예컨대 전술한 대상체의 간, 심장, 자궁, 뇌, 유방, 복부 등의 장기나 혈관 또는 뼈 등을 포함한다.
또한, 본 명세서에서 의료 영상 장치는 예컨대 CT 장치, MRI 장치, X-ray 장치 또는 초음파 진단 장치 등을 포함하며, 전술한 영상을 출력할 수 있다.
또한, 본 명세서에서 '사용자'는 의료 전문가로서 의사, 간호사, 임상 병리사, 의료 영상 전문가 등이 될 수 있으며, 의료 장치를 수리하는 기술자가 될 수 있으나, 이에 한정되지 않는다.
도 1에는 저해상도 영상(1)이 복수 개 적층되어 있는 것과 고해상도 영상(2)이 복수 개 적층되어 있는 것이 예시적으로 도시되어 있다. 도 1을 참조하면, X-Y 평면에서의 영상의 해상도는 왼쪽의 영상(1)과 오른쪽의 영상(2)이 서로 동일하지만, Y-Z 평면이나 Z-X 평면에서의 영상의 해상도는 왼쪽의 저해상도 영상(1)보다 오른쪽의 고해상도 영상(2)이 높다. 이러한 해상도의 차이는, Z축 방향에서 봤을 때 저해상도 영상(1)에서의 간격 'a'보다 고해상도 영상(2)에서의 간격 'b'이 좁은 것으로부터 알 수 있다.
한편, 왼쪽의 저해상도 영상(1)보다 오른쪽의 고해상도 영상(2)으로부터 보다 많은 양의 정보 및 보다 정밀한 정보의 획득이 가능하다. 따라서, 의료영상 데이터에 대한 정량화 연구에는 왼쪽의 저해상도 영상(1)보다 오른쪽의 고해상도 영상(2)이 적합할 수 있다. 이에 일 실시예에서는, 저해상도 영상(1)만이 자료로서 주어져 있는 경우 이러한 저해상도 영상(1)을 고해상도 영상(2)으로 변환하여 제공하는 기술을 제안하며, 이하에서는 이러한 기술이 구현된 영상 처리 장치 및 영상 처리 방법에 대해 설명하기로 한다.
도 2는 일 실시예에 따른 영상 처리 장치(100)의 구성을 도시하고 있으며, 다만 도 2에 도시된 것은 예시적인 것에 불과하다. 이러한 영상 처리 장치(100)는 PC나 서버 등에서 구현될 수 있다.
도 2를 참조하면, 영상 처리 장치(100)는 입력부(110), 전처리부(130) 및 인공 신경망 모델(artificial neutral network model)부(150)를 포함하며, 실시예에 따라 표시부(170)를 더 포함할 수 있다. 여기서, 입력부(110)는 데이터를 입력받는 포트 내지 유/무선 통신 모듈로서 구현 가능하다. 아울러, 전처리부(130) 및 인공 신경망 모델부(150)는 이하에서 설명할 기능을 수행하도록 프로그램된 명령어를 저장하는 메모리 및 이러한 명령어를 실행하는 마이크로프로세서에 의해 구현 가능하다. 또한, 표시부(170)는 모니터와 같은 표시 장치에 의해 구현 가능하다.
입력부(110)에 대해 먼저 살펴보면, 입력부(110)는 대상체에 대해 소정 간격으로 단층 촬영된 저해상도 영상을 복수 개 입력받는다. 입력부(110)는 이러한 저해상도 영상을 전술한 의료 영상 장치로부터 직접 입력받을 수 있으며, 이와 달리 고해상도 영상(2)을 저해상도로 변환하여서 저장하는 소정의 영상 처리 장치로부터 입력받을 수도 있다.
전처리부(130)는 입력부(110)가 입력받은 저해상도 영상 복수 개에 대해 전처리(pre-processing) 과정을 수행한다. 전처리 과정에는 먼저 보간용 영상을 획득하는 과정 및 이러한 과정 후 수행되는, 패치 단위로 3차원의 입력 영상을 추출하는 과정이 있을 수 있으며, 다만 이에 한정되는 것은 아니다.
먼저, 보간용 영상의 획득 과정에 대해 살펴보기로 한다. 전처리부(130)는 도 1에서의 Z축 방향(또는 저해상도 영상의 적층 방향 내지는 인접해있는 저해상도 영상들 간의 간격을 정의하는 방향)에서 인접해있는 저해상도 영상의 '쌍'(pair)을 이용하여서 보간용 영상을 적어도 하나 획득한다. 예컨대, 전처리부(130)는 서로 인접해서 쌍을 이루는 어느 하나의 저해상도 영상과 다른 하나의 저해상도 영상의 픽셀들의 값을 비교하여서, 이러한 픽셀들의 값을 보간하는 보간용 영상을 획득 내지 생성한다. 만약, 저해상도 영상의 쌍이 복수 개가 있다면, 보간용 영상 또한 각각의 쌍에 대해서 적어도 하나가 생성될 수 있다. 보간하는 방법으로는 예컨대 B-spline interpolation이 있을 수 있다.
전처리부(130)에 의해 획득된 보간용 영상은 그 기초가 되는 쌍을 이루는 저해상도 영상(1)들의 간격 사이에 배치되는데, 도 3에 이러한 것이 도시되어 있다. 도 3을 참조하면, 전처리부(130)는 저해상도 영상(111)들로부터 보간용 영상을 획득한 뒤, 이러한 보간용 영상이 그 기초가 되는 쌍을 이루는 저해상도 영상들(111)의 간격 사이에 배치되도록 한다. 그에 따라, 도 3에 도시된 isocubic한 3차원 영상(131)에는 저해상도 영상(111)들과 보간용 영상이 함께 적층되게 된다. (도 1에 도시된 저해상도 영상(1)과 도 3에 도시된 저해상도 영상(111)은 동일한 객체를 지칭함)
다음으로, 전처리부(130)가 도 3에 도시된 3차원 영상(131)으로부터 패치 단위로 3차원의 입력 영상을 추출하는 과정에 대해 살펴보기로 한다. 도 3에 도시된 3차원 영상(131)에는 전술한 바와 같이 저해상도 영상들(111)과 보간용 영상이 함께 적층되어 있다. 전처리부(130)는 이러한 3차원 영상(131)으로부터, 픽셀의 3차원적 집합인 패치를 단위로 하여서 입력 영상을 복수 개 추출하는데, 이하에서는 그 구체적인 방법에 대해 도 4를 참조하여 살펴보기로 한다.
도 4는 도 2에 도시된 전처리부(130)가 3차원 영상(131)으로부터 패치를 단위로 하여서 입력 영상을 추출하는 과정에 대해 도시한 도면이다. 도 4를 참조하면, 3차원 영상(131) 중에서 패치에 의해 추출의 대상이 부분은 도 4에서 빗금친 부분으로 표시된다. 이러한 빗금친 부분을 기초로 살펴보면, 패치는 복수 개의 픽셀의 3차원적인 집합이며, 예컨대 31 x 31 x 5의 크기를 가질 수 있는데, 이러한 패치를 구성하는 픽셀의 수 내지 모양이나 크기는 예시적인 것에 불과하다.
패치를 이용하여서 3차원 영상(131)으로부터 입력 영상을 추출하는 방법에는 여러가지 실시예가 있다.
첫번 째 실시예로는, 도 4에 도시된 것과 같이 전처리부(130)가 3차원 영상(131)으로부터 패치만큼(도 4에서 빗금친 부분)을 추출(추출한 결과는 식별번호 132)한다. 다음으로, 전처리부(130)는 X축 방향으로 1픽셀만큼 패치를 슬라이딩 시킨 후에 3차원 영상(131)으로부터 다시 입력 영상(132)을 추출하고, 이러한 과정을 Y축 방향 및 Z축 방향에 대해서도 각각 반복한다. 이 경우, 3차원 영상(131)에 포함된 일부 픽셀은 2개 이상의 입력 영상(132)에 중복되어서 패치에 의해 추출될 수 있다.
두번 째 실시예에서, 전처리부(130)가 3차원 영상(131)으로부터 패치만큼의 입력 영상(도 4에서 빗금친 부분)을 추출(추출한 결과는 식별번호 132)하는 것은 첫번 째와 동일하다. 다음으로, 전처리부(130)는 X축 방향으로 패치의 X축 길이만큼 이동하여서, 즉 패치들에 의해 추출된 3차원 영상(131)들 간의 픽셀들이 서로 겹치치 않도록 이동하여서 3차원 영상(131)으로부터 입력 영상(132)을 추출할 수 있으며, 이러한 과정을 Y축 방향(이 경우에는 패치의 Y축 길이만큼 이동) 및 Z축 방향(이 경우에는 패치의 Z축 길이만큼 이동)에 대해서도 각각 반복한다.
전술한 2가지 방법의 실시예에 대해 살펴보면, 패치는 복수 개의 픽셀들의 3차원적 집합이며 또한 이러한 패치는 저해상도 영상들(111)과 보간용 영상이 함께 적층되어 있는 3차원 영상(131)에 적용된다. 따라서, 입력 영상(132)에는 적어도 두 개의 저해상도 영상(111) 각각의 일부가 포함될 수 있으며, 또는 적어도 두 개의 보간용 영상 각각의 일부가 포함될 수 있고, 또는 적어도 한 개의 저해상도 영상(111)과 적어도 한 개의 보간용 영상 각각의 일부가 포함될 수 있다.
다시 도 2를 참조하기로 한다. 도 2에 도시된 인공 신경망 모델부(150)는 전처리부(130)로부터 복수 개의 입력 영상(132)을 입력받으며, 출력으로서 패치를 단위로 하는 3차원의 고해상도 영상을 복수 개의 입력 영상(132) 각각에 대해 출력한다. 이러한 인공 신경망 모델부(150)에 대해서는 도 5에 도시되어 있다. 이 때 출력되는 영상(151)이 '고해상도'라는 것은, 입력부(110)가 입력받은 저해상도 영상(111)보다 해상도가 상대적으로 높은 것을 의미한다.
한편, 전술한 인경 신경망 모델부(150)는 사전에 기계 학습된 모델로서, 심층 컨볼루션 신경망(deep convolutional neural network, DCNN)을 학습 모델로 적용하여서 학습된 것일 수 있으나 이에 한정되는 것은 아니다.
인공 신경망 모델부(150)의 학습 과정에 대해 살펴보면, 전술한 입력 영상(132)과 형태가 동일한 복수 개의 테스트용 입력 영상이 사전에 마련된다. 아울러, 전술한 복수 개의 테스트용 입력 영상 각각에 대응하는 복수 개의 테스트용 고해상도 영상이 사전에 마련된다. 복수 개의 고해상도 영상 또한 전술한 고해상도 영상(151)과 형태가 동일하다.
학습 과정에서 인공 신경망 모델부(150)의 중간층에 포함되는 복수 개의 인공 뉴런들은 연결망에 의해 입력과 상호 연결되고 출력과 상호 연결되는데, 이러한 연결망을 이루는 각각의 가지(branch)에는 가중치가 적용될 수 있다. 이러한 가중치는, 복수 개의 테스트용 입력 영상과 복수 개의 테스트용 고해상도 영상이 학습을 위해 인공 신경망 모델부(150)에 입력되어서 처리될 때마다, 이들 상호 간의 유사성을 최대화시키도록 그 값이 결정 내지 변경될 수 있다. 여기서, 이와 같이 학습이 되는 과정 그 자체 내지 원리는 이미 공지된 기술이므로 이에 대한 추가적인 설명은 생략하기로 한다.
여기에서 살펴보면, 인공 신경망 모델부(150)에 학습을 위해 입력되는 영상은 패치를 단위로 추출된 영상이다. 아울러, 실제로 영상의 해상도를 높이기 위해 인공 신경망 모델부(150)에 입력되는 3차원 영상(132) 또한 패치를 단위로 추출된 영상이다.
이에 따르면, 일 실시예에 따르면 인공 신경망 모델부(150)를 학습시키는데에 소모되는 리소스 또는 인공 신경망 모델부(150)가 고해상도 영상(151)을 출력시키는데에 소모되는 리소스는, 이러한 인공 신경망 모델부(150)에 입력되는 입력 영상이 3차원 패치인 경우가 그렇지 않은 경우(입력 영상 전체인 경우)보다 상대적으로 적어지며, 이에 따라 처리 속도 또한 향상될 수 있다.
아울러, 저해상도 영상들의 사이에 보간용 영상을 배치시킴으로써 해상도를 높이는 경우보다, 이러한 보간용 영상이 배치된 저해상도 영상들을 일 실시예에 따른 인공 신경망 모델부(150)를 통과시킴으로써 해상도를 높이는 경우가 신호 대 잡음비 면에서 약 2dB 이상 향상된 성능을 보여줄 수 있다.
다시 도 2를 참조하면, 표시부(170)는 인공 신경망 모델부(150)에서 출력된 고해상도 영상(151)들을 병합한 뒤, 이를 표시한다. 병합에 의해 표시되는 고해상도 영상(151)은 입력부(110)에 입력된 저해상도 영상(111)보다 해상도가 상대적으로 높다.
만약 복수 개의 입력 영상(132)이 전술한 첫번 째 실시예에 따라 획득된 것이여서 3차원 영상(131)의 픽셀 중 일부가 입력 영상(132)들에 중복되어 포함된다면, 표시부(170)는 인공 신경망 모델부(150)에서 출력되는 고해상도 영상들에서 중복되는 픽셀의 값들을 모두 더한 뒤 중복되는 수만큼을 나눈 평균값이 해당 중복되는 픽셀에 할당되도록 할 수 있다.
도 6은 일 실시예에 따른 영상 처리 방법의 절차에 대해 개념적으로 도시하고 있다. 이러한 영상 처리 방법은 전술한 영상 처리 장치(100)에 의해 수행될 수 있다.
한편, 도 6에 도시된 절차는 예시적인 것에 불과하므로, 본 발명의 사상이 도 6에 도시된 것으로 한정 해석되지는 않는 바, 실시예에 따라서 도 6에 도시된 것과는 다른 순서로 절차가 수행될 수 있으며, 도 6에 도시된 절차 중 적어도 하나의 절차가 수행되지 않을 수도 있고, 도 6에 도시되지 않은 절차가 추가적으로 수행될 수도 있다.
먼저, 대상체에 대해 소정 간격으로 단층 촬영된 저해상도 영상을 복수 개 입력받는 단계(S100)가 수행되는데, 이러한 단계 S100은 입력부(110)에 의해 수행된다. 저해상도 영상은 의료 영상 장치로부터 직접 입력받은 것이거나 이와 달리 고해상도 영상(2)을 저해상도로 변환하여서 저장하는 소정의 영상 처리 장치로부터 입력받은 것일 수도 있다. 이러한 단계 S100은 입력부(110)에 의해 수행된다.
다음으로, 보간용 영상을 획득하는 단계(S110)가 수행되는데, 이러한 단계 S110은 전처리부(130)에 의해 수행된다. 구체적으로 살펴보면, 도 1에서의 Z축 방향(또는 저해상도 영상의 적층 방향 내지는 인접해있는 저해상도 영상들 간의 간격을 정의하는 방향)에서 인접해있는 저해상도 영상의 쌍(pair)을 이용하여서 보간용 영상이 적어도 하나 획득된다.
이와 같이 획득된 보간용 영상은 그 기초가 되는 쌍을 이루는 저해상도 영상(1)들의 간격 사이에 배치된다. 그에 따라, 저해상도 영상(111)들과 보간용 영상이 함께 적층되어 있는 3차원 영상이 획득될 수 있다.
다음으로, 도 3에 도시된 3차원 영상(131)으로부터 패치 단위로 3차원의 입력 영상을 추출하는 단계(S120)가 수행되는데, 이러한 단계 S120은 전처리부(130)에 의해 수행된다. 보다 구체적으로 살펴보면, 도 3에 도시된 3차원 영상(131)에는 전술한 바와 같이 저해상도 영상들(111)과 보간용 영상이 함께 적층되어 있다. 전처리부(130)는 이러한 3차원 영상(131)으로부터, 픽셀의 3차원적 집합인 패치를 단위로 하여서 입력 영상을 복수 개 추출하는데, 이러한 패치를 단위로 하여서 3차원 영상(131)으로부터 입력 영상을 추출하는 방법에 대해서는 이미 설명하였으므로 추가적인 설명은 생략하기로 한다.
다음으로, 단계 S120에서 추출된 복수 개의 입력 영상(132)을 입력받아서, 출력으로서 패치를 단위로 하는 3차원의 고해상도 영상을 복수 개의 입력 영상(132) 각각에 대해 출력하는 단계(S130)가 수행되는데, 이러한 단계 S130는 인공 신경망 모델부(150)에 의해 수행된다. 이 때 출력되는 영상(151)이 '고해상도'라는 것은, 단계 S100에서 입력받은 저해상도 영상(111)보다 해상도가 상대적으로 높다는 것을 의미한다.
이 때 단계 S130에서 고해상도 영상을 출력하는 과정은 인공 신경망 모델에 의해 수행되는데, 이러한 인공 신경망 모델의 학습 과정 내지 인공 신경망 모델에 의해 고해상도 영상이 출력되는 과정 자체에 대해서는 이미 설명하였으므로 추가적인 설명을 생략하기로 한다.
이에 따르면, 일 실시예에 따르면 인공 신경망 모델부(150)를 학습시키는데에 소모되는 리소스 또는 인공 신경망 모델부(150)가 고해상도 영상(151)을 출력시키는데에 소모하는 리소스는, 이러한 인공 신경망 모델부(150)에 입력되는 입력 영상이 3차원 패치인 경우가 그렇지 않은 경우(입력 영상 전체인 경우)보다 상대적으로 적어지며, 이에 따라 처리 속도 또한 향상될 수 있다.
아울러, 저해상도 영상들의 사이에 보간용 영상을 배치시킴으로써 해상도를 높이는 경우보다, 이러한 보간용 영상이 배치된 저해상도 영상들을 일 실시예에 따른 인공 신경망 모델부(150)를 통과시킴으로써 해상도를 높이는 경우가 신호 대 잡음비 면에서 약 2dB 이상 향상된 성능을 보여줄 수 있다.
한편, 전술한 일 실시예에 따른 영상 처리 방법에 포함된 각각의 단계는, 이러한 단계를 수행하도록 프로그램된 컴퓨터 프로그램을 기록하는 컴퓨터 판독가능한 기록매체에서 구현될 수 있다.
또한, 전술한 일 실시예에 따른 영상 처리 방법에 포함된 각각의 단계는, 이러한 단계를 수행하도록 프로그램된, 컴퓨터 판독가능한 기록매체에 저장된 컴퓨터 프로그램의 형태로 구현될 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 영상 처리 장치
Claims (14)
- 대상체에 대해 소정 간격(thickness)으로 단층 촬영된 저해상도 영상들을 입력받는 입력부와,
상기 입력부를 통해 입력받은 저해상도 영상들 중에서 상기 간격을 정의하는 방향에 따라 인접해있는 제1 및 제2 저해상도 영상에 기초하여서 보간용 영상을 획득하고, 상기 제1 저해상도 영상, 상기 보간용 영상 및 상기 제2 저해상도 영상 순으로 적층되어 형성된 3차원 영상으로부터, 복수 개의 픽셀들로 구성된 3차원 형태의 패치를 단위로 하는 3차원의 입력 영상을 복수 개 추출하는 전처리부와,
상기 복수 개의 입력 영상 각각을 입력으로 받아서, 상기 복수 개의 입력 영상 각각에 대해 상기 패치를 단위로 하면서 상기 저해상도 영상보다 해상도가 높은 3차원의 고해상도 영상을 출력하는 인공 신경망 모델(artificial neural network model)부를 포함하는
영상 처리 장치. - 제 1 항에 있어서,
상기 전처리부는,
B-spline interpolation을 적용하여서 상기 보간용 영상을 획득하는
영상 처리 장치. - 제 1 항에 있어서,
상기 입력 영상에는,
적어도 두 개의 저해상도 영상 각각의 일부가 포함되거나, 적어도 두 개의 보간용 영상 각각의 일부가 포함되거나 또는 적어도 한 개의 저해상도 영상 및 적어도 한 개의 보간용 영상 각각의 일부가 포함되는
영상 처리 장치. - 제 1 항에 있어서,
상기 인공 신경망 모델부는,
상기 입력 영상과 동일한 형태이면서 사전에 마련된 복수 개의 테스트용 입력 영상과, 상기 복수 개의 테스트용 입력 영상에 대응되면서 상기 고해상도 영상과 동일한 형태이고 사전에 마련된 복수 개의 테스트용 고해상도 영상 간의 상관 관계를 학습(training)함으로써 형성된 것인
영상 처리 장치. - 제 4 항에 있어서,
상기 상관 관계는,
심층 컨볼루션 신경망(deep convolutional neural network, DCNN)을 학습 모델로 적용하여서 학습된 것인
영상 처리 장치. - 제 4 항에 있어서,
상기 복수 개의 테스트용 입력 영상 각각은 사전에 마련된 저해상도 영상들 사이에 보간용 영상이 배치된 것이고,
상기 복수 개의 테스트용 고해상도 영상 각각은 상기 사전에 마련된 저해상도 영상보다 해상도가 높은 3차원의 고해상도 영상인
영상 처리 장치. - 영상 처리 장치에 의해 수행되는 영상 처리 방법으로서,
대상체에 대해 소정 간격(thickness)으로 단층 촬영된 저해상도 영상들을 입력받는 단계와,
상기 입력받은 저해상도 영상들 중에서 상기 간격을 정의하는 방향에 따라 인접해있는 제1 및 제2 저해상도 영상에 기초하여서 보간용 영상을 획득하는 단계와,
상기 제1 저해상도 영상, 상기 보간용 영상 및 상기 제2 저해상도 영상 순으로 적층되어 형성된 3차원 영상으로부터, 복수 개의 픽셀들로 구성된 3차원 형태의 패치를 단위로 하는 3차원의 입력 영상을 복수 개 추출하는 단계와,
상기 복수 개의 입력 영상 각각을 입력으로 받아서, 상기 복수 개의 입력 영상 각각에 대해 상기 패치를 단위로 하면서 상기 저해상도 영상보다 해상도가 높은 3차원의 고해상도 영상을 인공 신경망 모델을 통해 출력하는 단계를 포함하는
영상 처리 방법. - 제 7 항에 있어서,
상기 보간용 영상을 획득하는 단계는,
B-spline interpolation을 적용하여서 상기 보간용 영상을 획득하는
영상 처리 방법. - 제 7 항에 있어서,
상기 입력 영상에는,
적어도 두 개의 저해상도 영상 각각의 일부가 포함되거나, 적어도 두 개의 보간용 영상 각각의 일부가 포함되거나 또는 적어도 한 개의 저해상도 영상 및 적어도 한 개의 보간용 영상 각각의 일부가 포함되는
영상 처리 방법. - 제 7 항에 있어서,
상기 출력하는 단계는,
상기 입력 영상과 동일한 형태인 사전에 마련된 복수 개의 테스트용 입력 영상과, 상기 복수 개의 테스트용 입력 영상에 대응되면서 상기 고해상도 영상과 동일한 형태이고 사전에 마련된 복수 개의 테스트용 고해상도 영상 간의 상관 관계를 학습(training)함으로써 형성된 인공 신경망 모델을 이용하는
영상 처리 방법. - 제 10 항에 있어서,
상기 상관 관계는,
심층 컨볼루션 신경망을 학습 모델로 적용하여서 학습된 것인
영상 처리 방법. - 제 7 항에 있어서,
상기 인공 신경망 모델의 중간층에 포함되는 복수 개의 인공 뉴런들은 소정의 연결망에 의해 상기 인공 신경망 모델의 입력 및 출력과 각각 연결되며,
상기 연결망을 구성하는 각각의 가지(branch)에는 사전에 수행된 학습에 따른 가중치가 부여되어 있는
영상 처리 방법. - 대상체에 대해 소정 간격(thickness)으로 단층 촬영된 저해상도 영상들을 입력받는 단계와,
상기 입력받은 저해상도 영상들 중에서 상기 간격을 정의하는 방향에 따라 인접해있는 제1 및 제2 저해상도 영상에 기초하여서 보간용 영상을 획득하는 단계와,
상기 제1 저해상도 영상, 상기 보간용 영상 및 상기 제2 저해상도 영상 순으로 적층되어 형성된 3차원 영상으로부터, 복수 개의 픽셀들로 구성된 3차원 형태의 패치를 단위로 하는 3차원의 입력 영상을 복수 개 추출하는 단계와,
상기 복수 개의 입력 영상 각각을 입력으로 받아서, 상기 복수 개의 입력 영상 각각에 대해 상기 패치를 단위로 하면서 상기 저해상도 영상보다 해상도가 높은 3차원의 고해상도 영상을 인공 신경망 모델을 통해 출력하는 단계를 수행하도록 프로그램된
컴퓨터 프로그램을 저장하는 컴퓨터 판독가능한 기록매체. - 대상체에 대해 소정 간격(thickness)으로 단층 촬영된 저해상도 영상들을 입력받는 단계와,
상기 입력받은 저해상도 영상들 중에서 상기 간격을 정의하는 방향에 따라 인접해있는 제1 및 제2 저해상도 영상에 기초하여서 보간용 영상을 획득하는 단계와,
상기 제1 저해상도 영상, 상기 보간용 영상 및 상기 제2 저해상도 영상 순으로 적층되어 형성된 3차원 영상으로부터, 복수 개의 픽셀들로 구성된 3차원 형태의 패치를 단위로 하는 3차원의 입력 영상을 복수 개 추출하는 단계와,
상기 복수 개의 입력 영상 각각을 입력으로 받아서, 상기 복수 개의 입력 영상 각각에 대해 상기 패치를 단위로 하면서 상기 저해상도 영상보다 해상도가 높은 3차원의 고해상도 영상을 인공 신경망 모델을 통해 출력하는 단계를 수행하도록 프로그램된
컴퓨터 판독가능한 기록매체에 저장된 컴퓨터 프로그램.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180036617A KR102084138B1 (ko) | 2018-03-29 | 2018-03-29 | 영상 처리 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180036617A KR102084138B1 (ko) | 2018-03-29 | 2018-03-29 | 영상 처리 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190114229A true KR20190114229A (ko) | 2019-10-10 |
| KR102084138B1 KR102084138B1 (ko) | 2020-03-04 |
Family
ID=68206911
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180036617A KR102084138B1 (ko) | 2018-03-29 | 2018-03-29 | 영상 처리 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102084138B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102067629B1 (ko) * | 2019-10-18 | 2020-01-17 | 국방과학연구소 | 저해상도 위성영상의 해상도 향상을 위한 학습 방법 및 장치 |
| KR102414299B1 (ko) * | 2021-10-13 | 2022-06-29 | 주식회사 웨이센 | 인공지능을 이용한 ct 스캔의 품질 향상 시스템 및 방법 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240048161A (ko) * | 2022-10-06 | 2024-04-15 | 한국과학기술원 | 임상 ct 스캔 데이터에서의 심층 학습 기반 패치별 3차원 골 미세구조 재구성 방법 및 장치 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015129987A (ja) * | 2014-01-06 | 2015-07-16 | 国立大学法人三重大学 | 医用高解像画像形成システムおよび方法。 |
| KR20170087320A (ko) | 2016-01-20 | 2017-07-28 | 삼성전자주식회사 | 단층 영상 생성 장치 및 그에 따른 단층 영상 복원 방법 |
| KR20180010950A (ko) * | 2016-07-22 | 2018-01-31 | 한국과학기술원 | 뉴럴 네트워크를 이용한 영상 처리 방법 및 장치 |
-
2018
- 2018-03-29 KR KR1020180036617A patent/KR102084138B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015129987A (ja) * | 2014-01-06 | 2015-07-16 | 国立大学法人三重大学 | 医用高解像画像形成システムおよび方法。 |
| KR20170087320A (ko) | 2016-01-20 | 2017-07-28 | 삼성전자주식회사 | 단층 영상 생성 장치 및 그에 따른 단층 영상 복원 방법 |
| KR20180010950A (ko) * | 2016-07-22 | 2018-01-31 | 한국과학기술원 | 뉴럴 네트워크를 이용한 영상 처리 방법 및 장치 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102067629B1 (ko) * | 2019-10-18 | 2020-01-17 | 국방과학연구소 | 저해상도 위성영상의 해상도 향상을 위한 학습 방법 및 장치 |
| KR102414299B1 (ko) * | 2021-10-13 | 2022-06-29 | 주식회사 웨이센 | 인공지능을 이용한 ct 스캔의 품질 향상 시스템 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102084138B1 (ko) | 2020-03-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11398029B2 (en) | Systems and methods for medical acquisition processing and machine learning for anatomical assessment | |
| US10803354B2 (en) | Cross-modality image synthesis | |
| KR101902883B1 (ko) | 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치 | |
| JP2019033966A (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
| KR102084138B1 (ko) | 영상 처리 장치 및 방법 | |
| WO2003071779A1 (en) | System and method for generating movie loop display from medical image data | |
| KR102030533B1 (ko) | 근감소증 분석지원을 위한 인공 신경망 기반의 인체 형태 분석법을 채용하는 영상 처리 장치 및 이를 이용한 영상 처리 방법 | |
| EP2812880A1 (en) | Clinically driven image fusion | |
| CN111612689B (zh) | 医学图像处理方法、装置、计算机设备和可读存储介质 | |
| US20210225491A1 (en) | Diagnostic image converting apparatus, diagnostic image converting module generating apparatus, diagnostic image recording apparatus, diagnostic image converting method, diagnostic image converting module generating method, diagnostic image recording method, and computer recordable recording medium | |
| US10910101B2 (en) | Image diagnosis support apparatus, image diagnosis support method, and image diagnosis support program | |
| US10152799B2 (en) | Registering first image data of a first stream with second image data of a second stream | |
| US20160300370A1 (en) | Tomography apparatus and method of reconstructing tomography image by using the tomography apparatus | |
| JP2019082745A (ja) | 人工知能利用駆出率決定方法 | |
| CN114596225A (zh) | 一种运动伪影模拟方法和系统 | |
| WO2022163402A1 (ja) | 学習済みモデルの生成方法、機械学習システム、プログラムおよび医療画像処理装置 | |
| CN115311191A (zh) | 使用深度学习估计的扫描方案遮罩来生成三维解剖结构扫描的重新格式化视图 | |
| JP7106741B2 (ja) | 学習方法、学習装置、生成モデル及びプログラム | |
| CN108877922A (zh) | 病变程度判断系统及其方法 | |
| CN114677415A (zh) | 图像配准方法、装置、计算机设备及可读存储介质 | |
| US20030169254A1 (en) | Method for producing an image sequence from volume datasets | |
| CN115880326A (zh) | 医用图像的轮廓获取方法、终端及存储介质 | |
| CN113538395A (zh) | 图像处理方法、装置、设备、可读存储介质 | |
| KR102069774B1 (ko) | 영상 처리 장치 및 방법 | |
| CN115953406B (zh) | 用于医学图像配准的匹配方法、装置、设备及可读介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |