KR20200059712A - 엑스선 영상 산란 보정 시스템 및 방법 - Google Patents

엑스선 영상 산란 보정 시스템 및 방법 Download PDF

Info

Publication number
KR20200059712A
KR20200059712A KR1020180144769A KR20180144769A KR20200059712A KR 20200059712 A KR20200059712 A KR 20200059712A KR 1020180144769 A KR1020180144769 A KR 1020180144769A KR 20180144769 A KR20180144769 A KR 20180144769A KR 20200059712 A KR20200059712 A KR 20200059712A
Authority
KR
South Korea
Prior art keywords
image
scattering
ray
simulation
ray image
Prior art date
Application number
KR1020180144769A
Other languages
English (en)
Other versions
KR102182048B1 (ko
Inventor
이희신
김경우
이준환
장동규
Original Assignee
이희신
장동규
전북대학교산학협력단
김경우
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 이희신, 장동규, 전북대학교산학협력단, 김경우 filed Critical 이희신
Priority to KR1020180144769A priority Critical patent/KR102182048B1/ko
Publication of KR20200059712A publication Critical patent/KR20200059712A/ko
Application granted granted Critical
Publication of KR102182048B1 publication Critical patent/KR102182048B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Pulmonology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

본 발명의 일 실시예에 따른 엑스선 영상 산란 보정 시스템은, 3차원 볼륨 영상을 이용하여 몬테카를로 시뮬레이션을 통해 산란선이 존재하는 시뮬레이션 영상과 산란선이 존재하지 않는 목표영상을 생성하는 훈련영상 생성부; 및 상기 시뮬레이션 영상 및 목표영상을 이용하여 훈련된 딥러닝 알고리즘을 이용하여 엑스선 영상 획득 장치에 의해 촬영된 엑스선 영상의 산란을 보정하는 산란 보정부를 포함할 수 있다.

Description

엑스선 영상 산란 보정 시스템 및 방법 {SYSTEM AND METHOD FOR SCATTER CORRECTION OF X-RAY IMAGE}
본 출원은 엑스선 영상 산란 보정 시스템 및 방법에 관한 것이다.
엑스선 영상 시스템은 촬영 대상을 투과하는 광자의 감쇠 정도를 검출기에서 계측하여 영상화 하는 기술로 의료분야에서 환자의 병변을 진단하는데 유용하게 사용되고 있다. 엑스선 영상 시스템에서 엑스선이 촬영 대상을 투과하는 길이가 길수록 광자는 직진으로 투과하지 못하고 산란될 확률이 높아진다. 여기서 의미 있는 정보는 촬영 대상에 의해 감쇠된 일차선(직선경로의 광자)이므로, 촬영 대상 내부에서 발생한 산란선(직선경로에서 벗어난 광자, 이차선)은 엑스선 영상의 품질을 저하시키는 심각한 잡음 인자로 작용한다. 광자의 산란이 많이 발생하는 경우 영상의 대조도 및 선예도가 떨어지지만, 더 많은 광자를 사용할수록 더 좋은 영상 획득이 가능하다. 하지만 많은 광자를 사용할수록 촬영 대상의 피폭 선량이 증가한다는 문제가 발생한다. 이로 인해 의료분야의 엑스선 영상 시스템에서 환자의 피폭선량을 증가시키지 않고 영상의 화질을 향상시키기 위한 산란선 제거는 아주 중요한 문제로 인식되고 있으며, 지금까지 산란선을 제거하거나 보정하기 위한 연구가 꾸준히 진행되고 있다.
현재까지 제안된 산란 보정 방법들은 크게 장비의 물리적인 특성을 이용해 문제를 해결하는 물리적 산란 제거/보정 방법과 획득한 신호로부터 산란 신호를 추출하여 제거하는 계산적 산란 보정 방법으로 나눌 수 있다.
구체적으로, 물리적 산란 제거/보정 방법으로는 촬영 부위와 엑스선 검출기 사이에 반 산란 격자(anti-scatter grid)를 놓고 산란선을 제거하는 방법, 산란 성분을 직접 측정하여 보정하는 측정 기반 산란 보정 방법 등이 있고, 계산적 산란 보정 방법으로는 산란 커널을 추정해서 역합성곱(de-convolution)을 수행하는 합성곱(convolution) 방법, 몬테카를로 시뮬레이션을 이용해 반복적으로 산란을 보정하는 몬테카를로 기반 반복적 산란 보정 방법 등이 있다.
그러나, 종래의 물리적 산란 제거/보정 방법은, 기존 시스템에 물리적인 기구 등을 추가해야 하며, 산란의 추정 또는 제거를 위해 일정량의 엑스선이 차단 되기 때문에 차단된 선량 보상을 위해 피폭량을 늘리거나 영상의 화질 저하를 감안해야 한다는 단점이 있다.
또한, 종래의 계산적 산란 보정 방법의 경우, 합성곱 방법은 피사체가 동일한 물질로 이루어져 있을 경우 성능이 보장되지만 인체의 경우와 같이 여러 가지 물질로 이루어져 있는 경우 성능이 크게 떨어진다는 단점이 있고, 몬테카를로 기반 반복적 산란 보정 방법은 방대한 연산량으로 인해 임상에 사용이 불가능할 정도의 처리속도를 가진다는 것과 2차원 영상 시스템에는 적용이 불가능 하다는 단점이 있다.
따라서, 당해 기술분야에서는 종래의 산란 보정 방법들의 단점을 극복하면서 엑스선 영상의 산란 보정 성능을 향상시키기 위한 방안이 요구되고 있다.
상기 과제를 해결하기 위해서, 본 발명의 일 실시예는 엑스선 영상 산란 보정 시스템을 제공한다.
상기 엑스선 영상 산란 보정 시스템은, 3차원 볼륨 영상을 이용하여 몬테카를로 시뮬레이션을 통해 산란선이 존재하는 시뮬레이션 영상과 산란선이 존재하지 않는 목표영상을 생성하는 훈련영상 생성부; 및 상기 시뮬레이션 영상 및 목표영상을 이용하여 훈련된 딥러닝 알고리즘을 이용하여 엑스선 영상 획득 장치에 의해 촬영된 엑스선 영상의 산란을 보정하는 산란 보정부를 포함할 수 있다.
또한, 본 발명의 다른 실시예는 엑스선 영상 산란 보정 방법을 제공한다.
상기 엑스선 영상 산란 보정 방법은, 3차원 볼륨 영상을 이용하여 몬테카를로 시뮬레이션을 통해 산란선이 존재하는 시뮬레이션 영상과 산란선이 존재하지 않는 목표영상을 포함하는 훈련영상을 생성하는 단계; 및 상기 시뮬레이션 영상 및 목표영상을 이용하여 훈련된 딥러닝 알고리즘을 이용하여 입력된 엑스선 영상의 산란을 보정하는 단계를 포함할 수 있다.
덧붙여 상기한 과제의 해결수단은, 본 발명의 특징을 모두 열거한 것이 아니다. 본 발명의 다양한 특징과 그에 따른 장점과 효과는 아래의 구체적인 실시형태를 참조하여 보다 상세하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따르면, 기존의 산란 보정 방법들의 단점을 극복하면서 엑스선 영상의 산란 보정 성능을 크게 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 엑스선 영상 산란 보정 시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따라 몬테카를로 시뮬레이션을 이용하여 훈련영상을 생성하는 일 예를 도시하는 도면이다.
도 3은 본 발명의 일 실시예에 따라 딥러닝 알고리즘의 훈련을 위한 목표영상을 생성하는 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따라 산란 보정부에서 사용되는 딥러닝 모델을 도시하는 도면이다.
도 5는 도 4에 도시된 딥러닝 모델 설계 및 해당 딥러닝 모델에서 주파수 성분별 훈련을 수행하는 과정을 설명하기 위한 도면이다.
도 6은 도 4에 도시된 Ls-Net의 dilation rate를 나타내는 그래프이다.
도 7은 도 4에 도시된 Ls-Net의 누적 수용영역 크기를 나타내는 그래프이다.
도 8은 본 발명의 일 실시예에 따른 GATE 코드를 이용한 엑스선 영상 시뮬레이션도를 도시하는 도면이다.
도 9는 본 발명의 일 실시예에 따라 엑스선 영상 시뮬레이션에 사용된 3차원 인체 CT 영상 중 네트워크 훈련용 영상을 도시하는 도면이다.
도 10은 본 발명의 일 실시예에 따라 엑스선 영상 시뮬레이션에 사용된 3차원 인체 CT 영상 중 네트워크 테스트용 영상을 도시하는 도면이다.
도 11은 본 발명의 일 실시예에 따른 엑스선 영상 시뮬레이션 결과를 도시하는 도면이다.
도 12는 본 발명의 일 실시예에 따른 네트워크 훈련에 따른 손실 및 테스트 영상의 SSIM, RMSE를 나타내는 그래프이다.
도 13은 본 발명의 일 실시예에 따른 엑스선 산란성분 예측 결과를 도시하는 도면이다.
도 14는 종래 기술에 따른 몬테카를로 기반 반복적 산란 보정 방법에 의한 산란 보정 결과를 도시하는 도면이다.
도 15는 종래 기술에 따른 몬테카를로 기반 반복적 산란 보정 방법의 반복 횟수에 따른 RMSE를 나타내는 그래프이다.
도 16은 본 발명의 일 실시예에 따른 산란 보정 결과를 도시하는 도면이다.
도 17은 본 발명의 일 실시예에 따라 Ls-Net 및 Hs-Net에 의한 산란 보정 영상의 3D 재구성 결과 및 프로파일을 도시하는 도면이다.
도 18은 종래 기술 및 본 발명의 일 실시예에 의한 산란 보정 영상의 3D 재구성 결과 및 프로파일을 도시하는 도면이다.
도 19는 본 발명의 다른 실시예에 따른 엑스선 영상 산란 보정 방법의 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 '연결'되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 '간접적으로 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 '포함'한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
도 1은 본 발명의 일 실시예에 따른 엑스선 영상 산란 보정 시스템의 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 엑스선 영상 산란 보정 시스템(200)은 훈련영상 생성부(210) 및 산란 보정부(220)를 포함하여 구성될 수 있다.
훈련영상 생성부(210)는 후술하는 산란 보정부(220)에서 사용되는 딥러닝 알고리즘을 훈련시키기 위한 시뮬레이션 영상 및 목표영상을 생성하기 위한 것이다.
산란 보정부(220)에서 딥러닝 알고리즘을 이용하여 엑스선 영상의 산란을 보정하기 위해서는 딥러닝 알고리즘을 훈련시키기 위해 동일 조건하에서 산란선이 존재하는 입력영상과 산란선이 존재하지 않는 목표영상이 필요하다. 또한, 딥러닝 알고리즘을 이용하여 엑스선 영상 산란 보정을 수행하기 위해서는 많은 양의 훈련영상이 필요하다. 그러나, 엑스선 영상의 특성상 산란선이 존재하지 않는 영상을 획득하는 것이 어렵고, 실제 장비로 많은 양의 훈련영상을 획득하는 것은 어렵다.
따라서, 본 발명의 일 실시예에 따르면, 훈련영상 생성부(210)는 3차원 볼륨 영상을 이용하여 몬테카를로 시뮬레이션을 통해 산란선이 존재하는 시뮬레이션 영상과 산란선이 존재하지 않는 목표영상을 생성할 수 있다. 여기서, 3차원 볼륨 영상은 예를 들어 MDCT(Multidetector computed tomography) 등의 장비에 의해 획득되거나, 3차원 설계 툴 등에 의해 생성된 볼륨 영상으로 실제 오브젝트의 밀도값을 가지는 3차원 볼륨 영상일 수 있다.
도 2는 본 발명의 일 실시예에 따라 몬테카를로 시뮬레이션을 이용하여 훈련영상을 생성하는 일 예를 도시하는 도면이다.
훈련영상 생성부(210)는 3차원 볼륨 영상(21)을 이용하여 몬테카를로 시뮬레이션(22)을 통해 산란선이 존재하는 시뮬레이션 영상(23)을 획득하고, 시뮬레이션 영상(23)에서 주 엑스선 성분과 산란선 성분을 분리하여 주 엑스선 영상(24)와 산란선 영상(25)을 각각 획득할 수 있다. 여기서, 산란선이 존재하는 시뮬레이션 영상(23)이 딥러닝 알고리즘의 훈련을 위한 입력영상이고, 산란선이 존재하지 않는 주 엑스선 영상(24)이 목표영상이 된다.
이 경우, 목표영상의 엑스선 선량을 시뮬레이션 영상의 엑스선 선량에 비해 기 설정된 비율(예를 들어, 대략 20% 정도)만큼 높게 설정하여 저 선량으로 인한 영상의 잡음에도 강인한 시스템을 구성할 수 있다.
도 3은 본 발명의 일 실시예에 따라 딥러닝 알고리즘의 훈련을 위한 목표영상을 생성하는 방법을 설명하기 위한 도면이다.
후술하는 바와 같이 산란 보정부(220)에서 Ds-DRCNN(Dual Scale Learing of Dilated Residual CNN)의 두 가지 네트워크를 훈련하기 위한 목표영상을 생성하기 위해, 훈련영상 생성부(210)는 산란선 성분만 존재하는 산란선 목표영상(31)에 가우시안 블러(Gaussian Blur)를 적용하여 저주파 성분을 포함하는 저주파 목표영상(32)을 획득하고, 산란선 목표영상(31)에서 저주파 목표영상(32)를 빼서 고주파 성분을 포함하는 고주파 목표영상(33)을 획득할 수 있다. 여기서, 저주파 성분은 넓은 영역의 주변 픽셀들에 의해 발생하는 산란 성분이고, 고주파 성분은 주로 넓지 않은 영역의 주변 픽셀들에 의해 발생하는 잡음과 산란 성분일 수 있다.
상술한 훈련영상 생성부(210)는 비교적 큰 용량의 3차원 볼륨 영상을 이용하여 많은 양의 시뮬레이션 영상을 획득하여야 하므로 시뮬레이션 속도가 중요하다. 일 실시예에 따르면, 훈련영상 생성부(210)는 시뮬레이션 툴 중에 GPU 연산을 지원하는 GATE를 사용할 수 있으나, 반드시 이로 제한되는 것은 아니다.
산란 보정부(220)는 훈련영상 생성부(210)로부터 전달받은 훈련영상, 즉 시뮬레이션 영상 및 목표영상을 이용하여 훈련된 딥러닝 알고리즘을 이용하여 엑스선 영상 획득 장치(100)에 의해 촬영된 엑스선 영상의 산란을 보정하기 위한 것이다.
여기서, 엑스선 영상 획득 장치(100)는 2차원 DR 장비 또는 3차원 CT 장비 등과 같이 촬영 대상의 엑스선 영상을 획득하는 장비일 수 있으며, 이에 의해 획득된 엑스선 영상에는 산란선이 포함되어 있다.
엑스선이 성분 및 두께가 동일한 물체를 투과하는 경우라도 산란이 발생된 위치 및 거리에 따라서 산란선의 분포가 상이하게 나타나므로, 일반적으로 영상의 잡음 제거에 주로 사용되는 딥러닝 알고리즘(예를 들어, CNN(Convolution Neural Network))을 그대로 적용하기 어렵다.
따라서, 본 발명의 일 실시예에 따르면, 산란 보정부(220)는 엑스선 영상의 산란과 잡음을 고주파 성분 및 저주파 성분으로 분리하고, 각 성분에 대해 두 가지 네트워크를 독립적으로 구성하여 적용하는 Ds-DRCNN(Dual Scale Learing of Dilated Residual CNN)을 채용한다.
도 4는 본 발명의 일 실시예에 따라 산란 보정부에서 사용되는 딥러닝 모델을 도시하는 도면이다.
도 4를 참조하면, Ds-DRCNN의 입력영상은 산란선을 포함하는 엑스선 영상(41)이고, 출력 영상은 산란선이 보정되어 산란선이 존재하지 않는 주 엑스선 영상(45)이다.
또한, Ds-DRCNN은 산란 성분 중 고주파 성분의 보정을 위한 Hs-Net(Residual CNN for Estimation of High Frequency Scatter)(42)과 저주파 성분의 보정을 위한 Ls-Net(Dilated Residual CNN for Estimation of Low Frequency Scatter)(43)을 포함하고, 두 가지 네트워크의 출력을 합하면 산란선 성분을 추정한 산란선 추정 영상(44)이 되며, 입력된 엑스선 영상(41)에서 산란선 추정 영상(44)을 빼서 산란선이 존재하지 않는 보정된 엑스선 영상(45)을 획득할 수 있도록 구성된다.
여기서, Hs-Net(42)은 좁은 수용영역 내에서 효과적인 파라미터 훈련이 가능하도록 설계될 수 있으며, Ls-Net(43)은 파라미터의 개수를 크게 늘리지 않고 넓은 수용영역을 취할 수 있도록 설계될 수 있다.
도 5는 도 4에 도시된 딥러닝 모델 설계 및 해당 딥러닝 모델에서 주파수 성분별 훈련을 수행하는 과정을 설명하기 위한 도면이다.
도 5를 참조하면, Hs-Net 및 Ls-Net은 각각 훈련영상 생성부(210)에 의해 획득한 산란선을 포함하는 시뮬레이션 영상(51)을 입력영상으로 하고, 산란선 고주파 성분을 포함하는 고주파 목표영상(53)과 산란선 저주파 성분을 포함하는 저주파 목표영상(55)을 각각 목표영상으로 하며, 각각의 네트워크에서 복수의 레이어들(52, 54)을 통해 해당 주파수 성분의 산란선 성분을 훈련시킬 수 있다.
또한, 각각의 네트워크에는 모두 잔여 학습(residual learning)을 적용하여 깊은 층의 CNN에서도 훈련이 효과적으로 수행되도록 할 수 있다.
일반적인 딥러닝 모델은 다층의 레이어를 쌓을수록 0과 1의 가중치 곱이 0에 가까워지는 문제(gradient vanishing problem)가 심화되어 학습이 제대로 진행되기 어려운 문제가 있다. CNN의 잔여 학습은 이와 같은 문제를 해결하기 위한 것이다.
고주파 성분의 산란의 경우 국지적인 특징을 가지며, 잡음이 포함되어 있다. 따라서, 고주파 성분의 보정을 위한 Hs-Net(42)은 수용영역의 크기를 늘리는 것 보다 네트워크의 계층을 깊게 하여 다양한 필터들의 조합을 추출할 수 있도록 구성되는 것이 바람직하다.
본 발명의 일 실시예에서는, Hs-Net(42)은 잡음 제거 모델인 DnCNN을 수정하여 적용하도록 구성될 수 있다.
DnCNN은 네트워크 아키텍처 설계를 위해 VGG 네트워크를 영상의 잡음 제거에 적합하게 수정하고 최근의 잡음 제거 방법에 사용되는 유효 패치 크기를 기반으로 네트워크의 깊이를 설정할 수 있다. 모델 학습의 경우 잔여 학습 전략을 채택하고 빠른 정규 훈련 및 향상된 잡음 제거 성능을 위해 배치 정규화를 적용할 수 있다. VGG 네트워크에서 필터 크기를 3
Figure pat00001
3으로 설정하고 모든 풀링 레이어들(pooling layers)을 제거한다. 따라서, DnCNN의 수용영역 크기는 네트워크 깊이가 d일 때 (2d+1)
Figure pat00002
(2d+1)이 된다.
네트워크 깊이 d를 가지는 DnCNN에는 하기와 같이 세 종류의 레이어가 있다.
(1) Conv+ReLU는 첫 번째 레이어에 적용되며, 64개의 feature map 생성을 위해 3
Figure pat00003
3
Figure pat00004
c 크기의 필터 64개가 사용된다. 활성화 함수 ReLU(Rectified Linear Units)를 적용하여 비선형성을 추가한다. 여기서, c는 영상의 채널을 의미하는데, 예를 들어 그레이 영상일 경우 c=1이고, 컬러 영상일 경우 c=3이다.
(2) Conv+BN+ReLU는 2번째 레이어에서 (d-1) 번째 레이어에 적용되며, 3
Figure pat00005
3
Figure pat00006
64 크기의 필터 64개가 사용된다. 그리고 배치 정규화(Batch Normalization, BN)가 합성곱(Convolution)과 ReLU 사이에 추가된다.
(3) Conv는 마지막 레이어에 적용되며, 결과영상의 재구성을 위해 3
Figure pat00007
3
Figure pat00008
64 크기의 필터 c개가 사용된다. 또한 중간 레이어의 각 feature map이 입력 영상과 동일한 크기를 가지도록 각 레이어의 합성곱 전에 제로패딩(zero padding)을 적용한다.
상술한 바와 같이, 본 실시예에 따른 Hs-Net(42)은 DnCNN의 구조를 사용하여 네트워크를 구성하지만 네트워크 깊이는 후술하는 Ls-Net(43)과 동일하게 설정할 수 있다. 이를 통해, 두 가지 네트워크의 연산량을 동일하게 유지시켜 병렬로 배치된 네트워크들의 연산 효율을 높일 수 있다.
한편, 저주파 성분의 산란의 경우 촬영 대상에서 발생한 산란 성분이 영상의 모든 영역에서 검출될 수 있으므로, 저주파 성분의 보정을 위한 Ls-Net(43)은 네트워크의 수용영역 크기를 영상 전체 크기로 확장할 수 있어야 한다.
본 발명의 일 실시예에서는, Hs-Net(42)의 파라미터 및 네트워크 깊이를 늘리지 않고 연산량 증가 없이 수용영역의 크기를 확장할 수 있는 Ls-Net(43)을 제안한다.
구체적으로, Ls-Net(43)은 상술한 Hs-Net(42)의 네트워크 구조에 수용영역의 크기 확장을 위해 dilated filter를 적용한 모델일 수 있다. Ls-Net(43)은 Hs-Net(42)과 동일한 구조를 가지며 필터 크기도 3
Figure pat00009
3으로 동일하게 설정하지만, dilated filter를 적용함으로써 네트워크 깊이를 늘리지 않고 수용영역의 확장이 가능하다. 여기서, dilation rate는 수용영역의 크기가 입력영상의 크기에 대응될 수 있도록 입력영상의 크기에 따라 상이하게 설정할 수 있다. 입력영상의 전체 크기로 수용영역의 크기를 확장하기 위해 네트워크를 다음과 같이 설정할 수 있다.
네트워크의 필터 크기가 k
Figure pat00010
k이고 dilation rate가 r일 때, 수용영역 크기는 {r*(k-1)+1}
Figure pat00011
{r*(k-1)+1}이 된다. 깊이가 d인 Ls-Net(43)의 n번째 레이어의 dilation rate rn은 하기의 수학식 1과 같이 정의할 수 있다. 여기서, n번째 레이어까지의 누적 수용영역의 크기를 Sn
Figure pat00012
Sn이라고 하면 여기서 Sn은 하기의 수학식 2와 같다.
[수학식 1]
Figure pat00013
[수학식 2]
Figure pat00014
Dilation rate를 수학식 1과 같이 정의하는 이유는 dilation rate를 네트워크의 깊이에 따른 대칭 구조를 가지도록 하여 dilated filter 적용시 나타나는 그리딩 아티팩트(gridding artifact)를 제거하기 위함이다. 대칭 구조를 위해 네트워크 깊이 d는 2의 배수로 설정할 수 있다.
도 6은 도 4에 도시된 Ls-Net의 dilation rate를 나타내는 그래프이고, 도 7은 도 4에 도시된 Ls-Net의 누적 수용영역 크기를 나타내는 그래프이다.
상술한 바와 같이, 본 발명의 일 실시예에 따른 Ls-Net(43)은 네트워크 깊이를 크게 늘리지 않고도 수용영역의 크기를 늘릴 수 있기 때문에 확장성이 뛰어나다. 예를 들어, 네트워크 깊이가 8일 경우 수용영역의 크기는 61
Figure pat00015
61이지만, 네트워크 깊이를 16으로 늘릴 경우 수용영역의 크기는 1021
Figure pat00016
1021로 크게 확장될 수 있다.
상술한 Ds-DRCNN의 네트워크 깊이는 입력영상의 크기에 따라 Ls-Net(43)의 수용영역의 크기를 고려하여 설정할 수 있다. 후술하는 실험에서 사용된 입력영상의 크기가 256
Figure pat00017
128이므로, 이에 가까운 수용영역을 가질 수 있도록 네트워크 깊이를 12로 설정할 수 있으며, 이 경우 Ds-DRCNN는 하기의 표 1과 같은 세부 구조를 가질 수 있다.
[표 1]
Figure pat00018
상술한 Ds-DRCNN의 입력영상 y는 주 엑스선 영상 p에 산란 영상 s가 더해진 영상으로 y=p+s이다. 여기서, 입력영상 y 는 최대값을 1로 정규화한 영상일 수 있다. 또한, 잔여 학습 훈련을 위한 잔여 맵핑
Figure pat00019
를 채택하여 산란이 보정된 주 엑스선 예측영상 p'는
Figure pat00020
를 통해 얻을 수 있다. 네트워크 파라미터
Figure pat00021
는 하기의 수학식 3에 나타낸 손실함수가 최소화되도록 훈련시킬 수 있다.
[수학식 3]
Figure pat00022
여기서,
Figure pat00023
및
Figure pat00024
은 각각 Hs-Net 및 Ls-Net의 손실함수로 하기의 수학식 4 및 수학식 5와 같고,
Figure pat00025
는 각 손실함수의 중요도를 설정하는 가중치이다.
[수학식 4]
Figure pat00026
[수학식 5]
Figure pat00027
저주파 성분 산란 목표영상 li는 산란 영상 si에 가우시안 필터 G를 취한 영상으로 li=G(si)이고, 고주파 성분 산란 목표영상 hi는 산란 영상 si에서 저주파 산란 영상 li를 뺀 영상으로 hi=si-li이다. 또한, 입력 영상이 yi일 때,
Figure pat00028
는 Hs-Net의 파라미터
Figure pat00029
를 통해 예측된 고주파 산란 영상
Figure pat00030
이고,
Figure pat00031
은 Ls-Net의 파라미터
Figure pat00032
을 통해 예측된 저주파 산란 영상
Figure pat00033
이다. 여기서 훈련 집합
Figure pat00034
은 산란 포함 입력 영상 yi와 산란 영상 si로 몬테카를로 시뮬레이션을 통해 획득한 N개의 영상 쌍으로 이루어질 수 있다.
훈련 시 손실함수 최소화는 Adam optimizer를 사용하고, 훈련 완료 후 입력 영상 yi의 최종 산란 영상은
Figure pat00035
를 통해 산출할 수 있다.
다음으로, 도 8 내지 도 18을 참조하여, 상술한 엑스선 영상 산란 보정 시스템의 유효성 검증을 위한 실험 및 결과에 대해 구체적으로 설명하기로 한다.
상술한 엑스선 영상 산란 보정 시스템의 딥러닝 네트워크 모델 훈련 및 검증을 위해 몬테카를로 시뮬레이션을 통해 훈련 영상을 생성하였다. 엑스선 영상 획득 장치의 영상 해상도를 낮게 설정하여 빠른 속도로 영상을 시뮬레이션 할 수 있도록 함으로써 유효 시간 내에 시뮬레이션 영상을 최대한 많이 획득할 수 있도록 하였으며, 엑스선 획득 장치의 크기는 실제 시스템의 크기만큼 크게 설정하여 본 발명의 유효성 확인할 수 있도록 하였다. 몬테카를로 시뮬레이션을 위한 엑스선 영상 획득 장치의 세부 사양은 하기의 표 2와 같다.
[표 2]
Figure pat00036
표 2에 나타낸 엑스선 영상 획득 장치를 GATE 코드로 구현하여 엑스선 영상을 시뮬레이션 하였으며, 도 8은 본 발명의 일 실시예에 따른 GATE 코드를 이용한 엑스선 영상 시뮬레이션도를 도시하는 도면이다.
엑스선 영상의 시뮬레이션 대상은 복잡한 인체 구조의 해부학적 다양성에 대한 유효성 확인을 위해 CBCT에 비해 산란이 거의 발생하지 않는 의료용 MDCT 시스템에서 실제 환자를 촬영한 3차원 CT영상을 활용하였다. 사용한 3차원 인체 영상은 NBIA(National Biomedical Imaging Archive)에서 제공하는 실제 환자의 흉부를 촬영한 CT 영상이며, 총 10명의 환자를 촬영한 10개의 3차원 볼륨 영상이다. 이 중, 도 9에 도시된 9개의 볼륨의 시뮬레이션 영상을 네트워크 훈련을 위해 사용하였고, 도 10에 도시된 나머지 1개 볼륨의 시뮬레이션 영상을 네트워크 테스트 및 검증에 사용하였다.
10개의 볼륨 영상에 대해 각각 CBCT 시스템에서 엑스선 발생 장치 및 검출기를 포함하는 겐트리 구조를 360도로 회전시키며 2차원 투영 영상을 각도 별로 1쌍(산란선 유무)씩 시뮬레이션 하였으며, 시뮬레이션 된 영상에 좌우 및 상하 반전 영상 그리고 180도 회전 영상을 더해 영상의 수를 4배로 확장 하였다. 이와 같이 획득한 시뮬레이션 영상의 수는 총 14,400쌍(=28,800[장]=10[볼륨]*360[1장/도*360도]*2[산란선유무] *4[원본+좌우반전+상하반전+180도회전])이다.
이때, 산란이 포함된 영상인 시뮬레이션 영상은 각 픽셀마다 평균적으로 5,000개의 광자가 획득될 수 있도록 투영 영상 한 장당 163,840,000개의 광자를 시뮬레이션 하였으며, 이에 대응하는 네트워크의 목표영상은 이보다 20% 많은 각 픽셀마다 6,000개의 광자가 획득될 수 있도록 투영 영상 한 장당 196,608,000개의 광자를 시뮬레이션 하였다. 이와 같이 시뮬레이션 영상 생성시 목표영상의 엑스선 선량을 시뮬레이션 영상의 선량보다 더 높게 설정한 이유는 저 선량으로 인한 영상의 잡음에도 강인한 시스템을 구축하기 위함이다.
도 11은 본 발명의 일 실시예에 따른 엑스선 영상 시뮬레이션 결과를 도시하는 도면으로, 몬테카를로 시뮬레이션 결과 중 2쌍을 나타낸 것이다. 도 11과 같이 각 시뮬레이션 영상은 주 엑스선 성분만 존재하는 주 엑스선 영상과 산란성 성분만 존재하는 산란선 영상으로 분리될 수 있다.
본 실험에서, 딥러닝 네트워크는 텐서플로우(TensorFlow)를 통해 구현 및 훈련하였으며, 훈련 시 적용한 파라미터들은 후술하는 바와 같다. 우선, 네트워크의 학습률은 초기에 0.001로 설정하고, 이 값을 학습이 진행될수록 감소시켜 100세대 이후에는 0.000001로 고정되도록 하였다. 합성곱 커널의 가중치들은 공지기술을 사용하여 초기화하였다. 또한, 배치 크기는 5로 하고, 각 세대마다 반복 횟수를 2592회로 설정하여 한 세대당 시뮬레이션 영상 12960쌍이 모두 훈련되도록 하였다. 또한, 네트워크의 학습은 총 500세대까지 진행하였으며 각 세대마다 영상의 훈련 순서는 무작위로 설정하였다.
도 12는 본 발명의 일 실시예에 따른 네트워크 훈련에 따른 손실 및 테스트 영상의 구조적 유사 지수(Structural Similarity Index Measure, SSIM) 및 평균 제곱근 오차(Root Mean Square Error, RMSE)를 나타내는 그래프이다.
도 12를 참조하면, Hs-Net의 손실 값인
Figure pat00037
의 감소 추세에 따라 SSIM이 높아지며, Ls-Net의 손실 값인
Figure pat00038
의 감소 추세에 따라 RMSE가 낮아짐을 확인할 수 있다. 이는 Hs-Net이 고주파 성분의 보정을 통해 구조적인 유사도를 증가 시키고 Ls-Net이 저주파 성분의 보정을 통해 영상의 전체적인 유사도를 증가시키고 있음을 보여준다.
도 13은 본 발명의 일 실시예에 따른 엑스선 산란성분 예측 결과를 도시하는 도면이다.
도 13을 참조하면, 입력영상에 존재하는 산란 성분을 본 발명에서 제안한 네트워크가 효과적으로 예측함을 알 수 있다.
엑스선 영상은 주로 진단용으로 많이 사용되므로, 영상 개선 후 목표영상과 결과영상 간의 유사도가 높아진다고 하더라도 진단에 꼭 필요한 정보에 손실이 발생한다면 큰 문제가 될 수 있다. 다시 말해, 엑스선 영상의 경우 영상 개선 알고리즘의 결과에 대한 단순한 유사도 비교를 통해 성능을 검증하기 어렵다.
특히, 본 발명에서 제안한 산란 보정 방법의 경우 단순히 영상의 잡음만 제거하는 것이 아니라 잡음 성분을 포함한 영상 전체의 산란 성분을 보정하기 위한 것이므로, 산란 보정 전, 후 영상의 유사도 비교만으로는 성능을 평가하기가 어렵다.
따라서, 본 실험에서는 잡음에 민감한 3차원 CBCT 시스템을 실험 대상으로 채택하여 산란 보정 전, 후의 2차원 투영 영상의 성능 평가와 함께 보정된 2차원 영상을 재구성한 3차원 재구성 영상에 대해서도 성능을 평가하였다.
본 발명에서 제안한 네트워크의 산란 보정 결과의 정량적 품질 평가를 위해 사용한 평가 지표는 평균 제곱근 오차(Root Mean Square Error, RMSE), 최대 신호 대 잡음비(Peak Signal-to-noise ratio, PSNR), 그리고 구조적 유사 지수(Structural Similarity Index Measure, SSIM)등 세 가지이며 이를 사용하여 2차원 목표 영상과 예측된 2차원 영상의 유사도, 3차원 목표 영상과 예측된 영상의 3차원 재구성 영상의 유사도에 대해 각각 평가하였다.
객관적인 성능 평가를 위해 종래의 산란 보정 방법 중에서 가장 합리적이고 정확한 방식으로 여겨지는 몬테카를로 기반 반복적 산란 보정 방법을 이용한 산란 보정 결과와 본 발명의 실시예에 따른 산란 보정 결과를 비교 평가하였다.
평가에 사용된 몬테카를로 기반 반복적 산란 보정 방법의 세부 진행 단계는 하기와 같다.
0단계: CBCT 시스템에서 획득된 원본 투영 영상을 산란 보정 없이 3차원으로 재구성
1단계: 재구성된 3차원 볼륨 영상을 복셀 별 밀도 값으로 변환
2단계: 몬테카를로 시뮬레이션을 통해 1단계에서 변환된 밀도 팬텀에 대해 주 엑스선 영상과 산란 영상을 각 투영 각도 별로 생성
3단계: 2단계에서 생성된 산란 성분으로 원본 투영영상의 산란 보정
4단계: 3단계의 산란이 보정된 투영영상을 3차원으로 재구성
5단계: 수렴될 때까지 1단계부터 반복
본 발명에서 제안한 산란 보정 방법과의 비교를 위해, 산란이 존재하는 테스트 영상을 몬테카를로 기반 반복적 산란 보정 방법의 0단계의 원본 투영 영상으로 사용하였으며, 2단계의 몬테카를로 시뮬레이션시 영상 크기를 입력 영상과 동일한 256
Figure pat00039
128로 설정하였고, 각 픽셀마다 평균적으로 1,000개의 광자가 획득될 수 있도록 투영 영상 한 장당 32,768,000개의 광자를 시뮬레이션 하였다. 5단계의 수렴 조건은 이전 반복시의 3차원 재구성 영상과 현재 반복 단계의 3차원 재구성 영상의 가운데 단면 영상간의 RMSE값을 이용하였으며, 이 값이 0.001(cm-1) 이하일 경우 수렴된 것으로 판단하였다.
본 발명에서 제안한 방법의 평가에 사용된 동일한 입력영상을 이용하여 몬테카를로 기반 반복적 산란 보정 방법으로 산란을 보정한 결과 반복횟수 5회에서 수렴되었으며 결과는 도 14와 같다. 여기서, 알고리즘의 수렴 조건인 반복횟수 별 RMSE 값은 도 15와 같다.
도 16은 본 발명의 일 실시예에 따른 산란 보정 결과를 도시하는 도면이다.
도 16을 참조하면, 본 발명에서 제안한 방법으로 산란 보정을 진행한 결과 입력영상에 존재하는 산란 성분이 효과적으로 제거됨을 확인할 수 있다.
본 발명 및 종래 기술에 의한 산란 보정 결과의 정량적 평가 결과는 표 3과 같으며, 본 발명에서 제안된 방법으로 산란을 보정하면 목표영상과의 유사도가 측정 항목 모두에서 크게 개선됨을 알 수 있다. 특히, SSIM 항목이 0.77에서 0.992로 향상되어 산란 보정 영상이 목표영상과 아주 유사하게 보정되었음을 알 수 있다.
[표 3]
Figure pat00040
상술한 결과는 산란 보정 전, 후의 2차원 영상간의 유사도를 비교한 것으로 측정 항목 모두에서 뛰어난 개선이 있음을 확인하였으나, 상술한 바와 같이 단순히 2차원 투영 영상간의 유사도 비교만으로는 산란 제거 결과에 대한 유용성을 검증하기 어렵다. 이는 산란 보정 후 영상의 3차원 재구성 영상에서 목표영상에 존재하지 않는 아티팩트가 추가로 발생하거나 목표영상에 존재했던 정보가 사라진다면 산란 보정 방법의 유용성이 떨어지기 때문이다.
따라서, 본 실험에서는 산란 보정 영상에 대한 3차원 재구성 영상에 대해서도 평가를 진행하였다.
도 17은 본 발명의 일 실시예에 따라 Ls-Net 및 Hs-Net에 의한 산란 보정 영상의 3D 재구성 결과 및 프로파일을 도시하는 도면이다.
도 17을 참조하면, Ls-Net만을 이용한 산란 보정 결과 저주파 성분의 산란 성분이 보정되면서 영상의 전체적인 대조도가 개선되었으며, Hs-Net만을 이용한 산란 보정 결과 고주파 성분의 산란 성분 및 잡음이 보정됨을 확인할 수 있다. 최종적으로 Ls-Net과 Hs-Net을 통합한 Ds-DRCNN의 결과에서 산란이 보정되어 영상의 대조도 및 잡음이 크게 개선되었음을 확인할 수 있다.
도 18은 종래 기술 및 본 발명의 일 실시예에 의한 산란 보정 영상의 3D 재구성 결과 및 프로파일을 도시하는 도면이다.
도 18을 참조하면, 본 발명에서 제안한 방법으로 입력영상의 산란 보정 결과 목표영상과 유사한 프로파일을 보여 산란 보정이 정상적으로 이루어졌음을 확인할 수 있다. 또한, 본 발명에서 제안한 방법은 기존의 몬테카를로 기반 반복적 산란 보정 방법에 비해 목표영상에 더 가까운 결과를 보이는 것을 확인할 수 있다.
본 발명에서 제안한 산란 보정 방법의 3차원 재구성 결과 영상에 대한 정량적 평가 결과는 표 4와 같으며, 본 발명에서 제안한 방법으로 산란을 보정한 후 3차원 재구성을 수행한 결과 목표영상과의 유사도가 측정 항목 모두에서 개선되었음을 알 수 있다. 특히, 본 발명에서 제안한 방법의 산란 보정 결과 목표영상과의 SSIM이 0.823에서 0.96으로 크게 개선되었고 기존의 몬테카를로 기반 반복적 산란 보정 방법에 비해 측정 항목 모두에서 더 뛰어난 성능을 나타냄을 알 수 있다.
[표 4]
Figure pat00041
도 19는 본 발명의 다른 실시예에 따른 엑스선 영상 산란 보정 방법의 흐름도이다.
도 19를 참조하면, 본 발명의 다른 실시예에 따른 엑스선 영상 산란 보정 방법은, 몬테카를로 시뮬레이션을 이용한 훈련영상 생성 단계(S1910) 및 딥러닝 기법을 이용한 엑스선 영상의 산란 보정 단계(S1920)를 포함할 수 있다.
몬테카를로 시뮬레이션을 이용한 훈련영상 생성 단계(S1910)에서는, 3차원 볼륨 영상을 이용하여 몬테카를로 시뮬레이션을 통해 산란선이 존재하는 시뮬레이션 영상과 산란선이 존재하지 않는 목표영상을 포함하는 훈련영상을 생성할 수 있다.
이후, 딥러닝 기법을 이용한 엑스선 영상의 산란 보정 단계(S1920)에서는, 시뮬레이션 영상 및 목표영상을 이용하여 훈련된 딥러닝 알고리즘을 이용하여, 입력된 엑스선 영상의 산란을 보정할 수 있다.
여기서, 딥러닝 모델은, 엑스선 영상의 산란과 잡음을 고주파 성분 및 저주파 성분으로 분리하고, 각 성분에 대해 두 가지 네트워크를 독립적으로 구성하여 적용하는 Ds-DRCNN(Dual Scale Learing of Dilated Residual CNN)을 채용할 수 있다.
Ds-DRCNN은 산란 성분 중 고주파 성분의 보정을 위한 Hs-Net(Residual CNN for Estimation of High Frequency Scatter)과 저주파 성분의 보정을 위한 Ls-Net(Dilated Residual CNN for Estimation of Low Frequency Scatter)을 포함하며, 두 가지 네트워크의 출력을 합하여 산란선 성분을 추정한 산란선 추정 영상을 획득하고, 입력된 엑스선 영상에서 산란선 추정 영상을 빼서 산란선이 존재하지 않는 산란 보정된 엑스선 영상을 획득할 수 있다.
상술한 엑스선 영상 산란 보정 방법의 각 단계는 GPU 연산을 지원하는 시뮬레이션 툴과 딥러닝 엔진에 의해 수행될 수 있으며, 이에 대한 구체적인 내용은 도 1 내지 도 7을 참조하여 상술한 바와 동일하므로 이에 대한 중복적인 설명은 생략한다.
또한, 상술한 실시예에서는 본 발명의 유효성 확인을 위해 산란이 많이 발생하고 산란에 민감한 CBCT 시스템을 채택한 것으로 설명하였으나, 본 발명이 반드시 반드시 이로 제한되는 것은 아니다. 예를 들어, 본 발명에 따른 산란 보정 방법은 CBCT 시스템뿐만 아니라 2차원 DR 장비를 포함하는 대부분의 엑스선 영상 시스템에 적용될 수 있다.
본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 본 발명에 따른 구성요소를 치환, 변형 및 변경할 수 있다는 것이 명백할 것이다.
100: 엑스선 영상 획득 장치
200: 엑스선 영상 산란 보정 시스템
210: 훈련영상 생성부
220: 산란 보정부

Claims (6)

  1. 3차원 볼륨 영상을 이용하여 몬테카를로 시뮬레이션을 통해 산란선이 존재하는 시뮬레이션 영상과 산란선이 존재하지 않는 목표영상을 생성하는 훈련영상 생성부; 및
    상기 시뮬레이션 영상 및 목표영상을 이용하여 훈련된 딥러닝 알고리즘을 이용하여 엑스선 영상 획득 장치에 의해 촬영된 엑스선 영상의 산란을 보정하는 산란 보정부를 포함하는 엑스선 영상의 산란 보정 시스템.
  2. 제 1 항에 있어서, 상기 훈련영상 생성부는,
    상기 시뮬레이션 영상을 획득하고, 상기 시뮬레이션 영상에서 주 엑스선 성분과 산란선 성분을 분리하여 주 엑스선 영상과 산란선 영상을 각각 획득하는 것을 특징으로 하는 엑스선 영상의 산란 보정 시스템.
  3. 제 1 항에 있어서,
    상기 엑스선 영상 획득 장치는 2차원 DR 장비 또는 3차원 CT 장비인 것을 특징으로 하는 엑스선 영상의 산란 보정 시스템.
  4. 제 1 항에 있어서,
    상기 산란 보정부는 상기 엑스선 영상의 산란 성분 중 고주파 성분 및 저주파 성분에 대해 각각 독립적으로 구성된 딥러닝 네트워크를 이용하여 상기 엑스선 영상의 산란을 보정하는 것을 특징으로 하는 엑스선 영상의 산란 보정 시스템.
  5. 3차원 볼륨 영상을 이용하여 몬테카를로 시뮬레이션을 통해 산란선이 존재하는 시뮬레이션 영상과 산란선이 존재하지 않는 목표영상을 포함하는 훈련영상을 생성하는 단계; 및
    상기 시뮬레이션 영상 및 목표영상을 이용하여 훈련된 딥러닝 알고리즘을 이용하여 입력된 엑스선 영상의 산란을 보정하는 단계를 포함하는 엑스선 영상의 산란 보정 방법.
  6. 제 5 항에 있어서, 상기 훈련영상을 생성하는 단계는,
    상기 시뮬레이션 영상을 획득하고, 상기 시뮬레이션 영상에서 주 엑스선 성분과 산란선 성분을 분리하여 주 엑스선 영상과 산란선 영상을 각각 획득하는 것을 특징으로 하는 엑스선 영상의 산란 보정 방법.
KR1020180144769A 2018-11-21 2018-11-21 엑스선 영상 산란 보정 시스템 및 방법 KR102182048B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180144769A KR102182048B1 (ko) 2018-11-21 2018-11-21 엑스선 영상 산란 보정 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180144769A KR102182048B1 (ko) 2018-11-21 2018-11-21 엑스선 영상 산란 보정 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20200059712A true KR20200059712A (ko) 2020-05-29
KR102182048B1 KR102182048B1 (ko) 2020-11-23

Family

ID=70912276

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180144769A KR102182048B1 (ko) 2018-11-21 2018-11-21 엑스선 영상 산란 보정 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102182048B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220067616A (ko) 2020-11-17 2022-05-25 (주)자비스 딥러닝 기반 고화질 엑스레이 영상 생성 방법, 장치 및 프로그램
CN116188619A (zh) * 2023-04-26 2023-05-30 北京唯迈医疗设备有限公司 一种生成用于训练的x射线图像对的方法、装置和介质
KR102672173B1 (ko) * 2023-04-14 2024-06-07 주식회사 오비젠 인공지능 기반의 치아 간 인접면 충치 감별 시스템 및 방법
US12008689B2 (en) 2021-12-03 2024-06-11 Canon Medical Systems Corporation Devices, systems, and methods for deep-learning kernel-based scatter estimation and correction

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150145633A (ko) * 2014-06-20 2015-12-30 삼성전자주식회사 엑스선 영상 장치 및 그 제어 방법
KR20160090530A (ko) * 2015-01-22 2016-08-01 삼성전자주식회사 엑스선 영상 장치, 영상 처리 장치 및 영상 처리 방법
KR20180059329A (ko) * 2016-11-25 2018-06-04 삼성전자주식회사 엑스선 장치 및 이의 의료 영상 획득
KR20190060054A (ko) * 2017-11-24 2019-06-03 주식회사 레이 치과용 콘-빔 ｃｔ의 산란선 보정방법 및 보정장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150145633A (ko) * 2014-06-20 2015-12-30 삼성전자주식회사 엑스선 영상 장치 및 그 제어 방법
KR20160090530A (ko) * 2015-01-22 2016-08-01 삼성전자주식회사 엑스선 영상 장치, 영상 처리 장치 및 영상 처리 방법
KR20180059329A (ko) * 2016-11-25 2018-06-04 삼성전자주식회사 엑스선 장치 및 이의 의료 영상 획득
KR20190060054A (ko) * 2017-11-24 2019-06-03 주식회사 레이 치과용 콘-빔 ｃｔ의 산란선 보정방법 및 보정장치

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220067616A (ko) 2020-11-17 2022-05-25 (주)자비스 딥러닝 기반 고화질 엑스레이 영상 생성 방법, 장치 및 프로그램
WO2022108250A1 (ko) * 2020-11-17 2022-05-27 (주)자비스 딥러닝 기반 고화질 엑스레이 영상 생성 방법, 장치 및 프로그램
US12008689B2 (en) 2021-12-03 2024-06-11 Canon Medical Systems Corporation Devices, systems, and methods for deep-learning kernel-based scatter estimation and correction
KR102672173B1 (ko) * 2023-04-14 2024-06-07 주식회사 오비젠 인공지능 기반의 치아 간 인접면 충치 감별 시스템 및 방법
CN116188619A (zh) * 2023-04-26 2023-05-30 北京唯迈医疗设备有限公司 一种生成用于训练的x射线图像对的方法、装置和介质
CN116188619B (zh) * 2023-04-26 2023-09-01 北京唯迈医疗设备有限公司 一种生成用于训练的x射线图像对的方法、装置和介质

Also Published As

Publication number Publication date
KR102182048B1 (ko) 2020-11-23

Similar Documents

Publication Publication Date Title
EP3688723B1 (en) Deep learning based scatter correction
KR102182048B1 (ko) 엑스선 영상 산란 보정 시스템 및 방법
JP6925868B2 (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
Zhao et al. Patient-specific scatter correction for flat-panel detector-based cone-beam CT imaging
JP2019516460A (ja) 空間とスペクトル情報に基づく複数エネルギーのｃｔ画像におけるノイズ制御のためのシステムと方法
US20170135659A1 (en) System, method and computer readable medium for preview of low-dose x-ray projection and tomographic images
CN110636796B (zh) X射线暗场成像中的射束硬化校正
US10282872B2 (en) Noise reduction in tomograms
Zhang et al. A reweighted joint spatial-radon domain CT image reconstruction model for metal artifact reduction
WO2014080311A1 (en) Projection data de-noising
CN111093503A (zh) 患者器官放射线照相方法
US20080240525A1 (en) Method and system for reconstructing a medical image of an object
Wang et al. Inner-ear augmented metal artifact reduction with simulation-based 3D generative adversarial networks
JP2017221339A (ja) Ｘ線ｃｔ画像再構成方法およびコンピュータプログラム
US8259896B2 (en) Efficient correction of polychromy effects in image reconstruction
Ghane et al. Quantitative analysis of image quality in low-dose CT imaging for Covid-19 patients
US10363002B2 (en) X-ray CT image reconstruction device, X-ray CT image reconstruction method, and X-ray CT apparatus
Liang et al. A model-based unsupervised deep learning method for low-dose CT reconstruction
CN112862722B (zh) 一种双能x射线减影方法和装置
Roychowdhury et al. Blind analysis of CT image noise using residual denoised images
Choi et al. Integration of 2D iteration and a 3D CNN-based model for multi-type artifact suppression in C-arm cone-beam CT
CN115131277A (zh) 推定装置、方法及计算机可读存储介质
Kim et al. Model-based noise reduction in scatter correction using a deep convolutional neural network for radiography
De La Rosa et al. Analysis of cedbt and CESM performance using a realistic X-ray simulation platform
Cengiz et al. Comparison of algebraic reconstruction techniques for tomosynthesis

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