KR20220150480A - 인공지능 영상처리장치 및 이의 제어방법 - Google Patents
인공지능 영상처리장치 및 이의 제어방법 Download PDFInfo
- Publication number
- KR20220150480A KR20220150480A KR1020210057262A KR20210057262A KR20220150480A KR 20220150480 A KR20220150480 A KR 20220150480A KR 1020210057262 A KR1020210057262 A KR 1020210057262A KR 20210057262 A KR20210057262 A KR 20210057262A KR 20220150480 A KR20220150480 A KR 20220150480A
- Authority
- KR
- South Korea
- Prior art keywords
- unit
- detection
- rays
- tof
- image processing
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 190
- 238000013135 deep learning Methods 0.000 claims abstract description 25
- 230000000694 effects Effects 0.000 claims abstract description 15
- 230000001678 irradiating effect Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000004308 accommodation Effects 0.000 claims description 2
- 230000000149 penetrating effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 6
- 210000004394 hip joint Anatomy 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 210000000845 cartilage Anatomy 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000282 nail Anatomy 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 210000000515 tooth Anatomy 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- A61B6/14—
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/51—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for dentistry
-
- 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
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from 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
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
- G01N23/083—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the radiation being X-rays
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06T2207/10116—X-ray image
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Dentistry (AREA)
- Biochemistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Toxicology (AREA)
- Physiology (AREA)
- Image Analysis (AREA)
Abstract
본 발명은 검출대상 수용부 및 검출대상 수용부의 내부에 위치하는 검출대상을 향하여 X선을 조사하는 X선 조사부, 검출대상 수용부 및 검출대상을 투과한 X선을 다수의 TOF 윈도우로 한정하는 TOF부, TOF 윈도우로 한정한 X선을 검출하여 다수의 검출데이터를 생성하는 검출부 및 다수의 검출데이터를 기반으로 학습하여 검출대상에 대한 최종학습데이터를 도출하는 딥러닝부를 포함하고, TOF부는 X선 조사부로부터 조사되는 X선이 노출되는 노출시간에 따라 다수의 TOF 윈도우로 X선을 한정하여 시간지연효과를 구현함에 따라 검출부에서 검출되는 X선의 조사량을 조절하는 것을 특징으로 하는 인공지능 영상처리장치 및 이의 제어방법을 제공한다.
Description
본 발명은 인공지능 영상처리장치 및 이의 제어방법에 관한 것으로, 보다 상세하게는 X선에 대한 시간지연효과를 구현하여 X선을 조사하는 동안 검출대상에 대한 다수의 검출데이터를 기반으로 학습하여 최종학습데이터를 도출하는 인공지능 영상처리장치 및 이의 제어방법에 관한 것이다.
일반적으로 수거함이나 수하물 등의 밀폐된 공간에 있는 물질을 분석하기 위해서는 영상 데이터를 기반으로 학습 및 추론분석을 이용한다.
이를 위한 학습모델에 사용되는 데이터는 X-선 등의 비파괴소스를 이용하여 내부물질의 밀도정보에 관한 것이다. 이러한 경우, 일정한 출력이 나오는 X-선의 특성상 특정물체를 정보를 획득하기 위한 조사선과 조사시간을 조정해서 얻을 수 있으며, 물체의 밝기정보를 분석하는 AHE(Adaptive Histogram Equalization)란 이미지 전처리 기법으로 이미지의 차이(contrast)를 늘리는 방법을 사용한다.
상기한 AHE은 HE(Histogram Equalization)를 조금 더 개선해서 만든 방법이라고 할 수 있다.
HE 는 하나의 히스토그램(histogram)을 통해 균일한(uniform) 분포를 가정한 균등화(equalization)을 수행하는 반면, AHE 는 여러 개의 히스토그램(histogram)을 만든다는 차이점이 있다.
나아가, AHE를 좀 더 효과적으로 개선한 것이 CLAHE(Contrast limited adaptive histogram equalization)인데, 이러한 CLAHE는 AHE 의 변형으로 AHE 의 중대한 문제점인 소음 증폭(noise amplification)을 해결하기 위해 차이 제한(contrast limit)을 활용한다.
그러나, 상기한 종래기술은 검출을 위하는 물질의 밀도를 초과(saturation)하여 X-선이 조사될 경우에는 영상 화소정보가 최대치 그래이 레벨(gray level) 수렴되기 때문에 조사시간 조정이 물질분석에 따라 달라져야 하는 단점이 있다.
(특허문헌 1) 등록특허공보 제10-1382735호(2014.04.01.)
(특허문헌 2) 일본 등록특허공보 제4712041호(2011.04.01.)
상기와 같은 문제를 해결하기 위한 본 발명의 목적은 TOF부가 X선을 시간별 다수의 TOF 윈도우로 한정하여 시간지연효과를 구현하고, 딥러닝부가 다수의 검출데이터를 학습모델에 적용하여 학습시켜 검출대상에 대한 이미지 왜곡이 최소화된 최종학습데이터를 도출하는 인공지능 영상처리장치 및 이의 제어방법을 제공하는 것이다.
본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 목적을 달성하기 위한 본 발명의 구성은 검출대상을 향하여 X선을 조사하는 X선 조사부; 상기 검출대상을 투과한 X선을 다수의 TOF 윈도우로 한정하는 TOF부; 상기 TOF 윈도우로 한정한 X선을 검출하여 다수의 검출데이터를 생성하는 검출부; 및 상기 다수의 검출데이터를 기반으로 학습하여 상기 검출대상에 대한 최종학습데이터를 도출하는 딥러닝부;를 포함하고, 상기 TOF부는 상기 X선 조사부로부터 조사되는 상기 X선이 노출되는 노출시간에 따라 상기 다수의 TOF 윈도우로 상기 X선을 한정하여 시간지연효과를 구현함에 따라 상기 검출부에서 검출되는 상기 X선의 조사량을 조절하는 것을 특징으로 하는 인공지능 영상처리장치를 제공한다.
본 발명의 실시예에 있어서, 상기 검출대상은 검출대상 수용부의 내부에 위치하고, 상기 X선 조사부는 상기 검출대상 수용부 및 상기 검출대상을 향하여 상기 X선을 조사하는 것을 특징으로 할 수 있다.
본 발명의 실시예에 있어서, 상기 다수의 검출데이터는 상기 검출대상 수용부 및 상기 검출대상 수용부에 대한 다수의 X선 이미지이고, 상기 다수의 X선 이미지는 상기 검출대상의 밀도 및 상기 노출시간에 따라 서로 다른 밝기로 이미지화되는 것을 특징으로 할 수 있다.
본 발명의 실시예에 있어서, 상기 검출대상은 신체이고, 상기 다수의 검출데이터는 상기 신체에 대한 다수의 X선 이미지이며, 상기 다수의 X선 이미지는 상기 신체의 밀도 및 상기 노출시간에 따라 서로 다른 밝기로 이미지화되는 것을 특징으로 할 수 있다.
본 발명의 실시예에 있어서, 상기 X선 조사부에는 100KV의 상기 전압이 인가되는 것을 특징으로 할 수 있다.
본 발명의 실시예에 있어서, 상기 검출대상이 상기 신체 중 치아일 경우, 상기 X선 조사부에는 160KV의 상기 전압이 인가되는 것을 특징으로 할 수 있다.
본 발명의 실시예에 있어서, 상기 X선 조사부는 상기 검출부가 상기 다수의 검출데이터를 검출하는 동안 상기 X선에 의한 방사선 피폭량이 100mrem을 초과하지 않도록 상기 X선을 조사하는 것을 특징으로 할 수 있다.
본 발명의 실시예에 있어서, 상기 X선 조사부 및 상기 TOF부와 전기적으로 연결되고 상기 노출시간, 상기 X선 조사부로 인가되는 전류 및 전압이 조절되도록 상기 X선 조사부 및 상기 TOF부의 동작을 제어하는 제어부;를 더 포함하는 것을 특징으로 할 수 있다.
본 발명의 실시예에 있어서, 상기 노출시간은 0.1초 내지 1초의 범위 내에서 등간격으로 설정되는 것을 특징으로 할 수 있다.
본 발명의 실시예에 있어서, 상기 X선 조사부에는 1mA 내지 5mA의 상기 전류가 인가되는 것을 특징으로 할 수 있다.
본 발명의 실시예에 있어서, 상기 X선 조사부에는 60KV 내지 160KV의 상기 전압이 인가되는 것을 특징으로 할 수 있다.
본 발명의 실시예에 있어서, 상기 딥러닝부는 상기 다수의 검출데이터를 학습모델에 적용하여 다수의 학습데이터를 생성한 후 상기 다수의 학습데이터 중 이미지 왜곡이 최소화된 상기 최종학습데이터를 추론하고, 상기 학습모델은 순환신경망(Recurrent Neural Network, RNN) 및 ResNet(Residual Network) 중 적어도 어느 하나를 포함하는 것을 특징으로 할 수 있다.
또한, 상기와 같은 목적을 달성하기 위한 본 발명의 구성은 전술한 바에 따른 인공지능 영상처리장치의 제어방법에 있어서, (a) 상기 X선 조사부가 상기 검출대상 수용부 및 상기 검출대상 수용부의 내부에 있는 상기 검출대상을 향하여 X선을 조사하는 단계; (b) 상기 TOP부가 상기 검출대상 수용부 및 상기 검출대상을 투과한 X선을 상기 TOF 윈도우로 한정하는 단계; (c) 상기 검출부가 상기 TOF 윈도우로 한정한 X선을 검출하여 다수의 검출데이터를 생성하는 단계; 및 (d) 상기 딥러닝부가 상기 다수의 검출데이터를 기반으로 학습하여 이미지 왜곡이 최소화된 최종학습데이터를 도출하는 단계;를 포함하는 것을 특징으로 하는 인공지능 영상처리장치의 제어방법을 제공한다.
또한, 상기와 같은 목적을 달성하기 위한 본 발명의 구성은 전술한 바에 따른 인공지능 영상처리장치의 제어방법에 있어서, (a) 상기 X선 조사부가 상기 검출대상을 향하여 X선을 조사하는 단계; (b) 상기 TOP부가 상기 검출대상을 투과한 X선을 상기 TOF 윈도우로 한정하는 단계; (c) 상기 검출부가 상기 TOF 윈도우로 한정한 X선을 검출하여 상기 다수의 검출데이터를 생성하는 단계; 및 (d) 상기 딥러닝부가 상기 다수의 검출데이터를 기반으로 학습하여 이미지 왜곡이 최소화된 최종학습데이터를 도출하는 단계;를 포함하는 것을 특징으로 하는 인공지능 영상처리장치의 제어방법을 제공한다.
상기와 같은 구성에 따르는 본 발명의 효과는, TOF부가 X선을 시간별 다수의 TOF 윈도우로 한정하여 시간지연효과를 구현하고, 딥러닝부가 다수의 검출데이터를 학습모델에 적용하여 학습시켜 최종학습데이터를 도출함으로써 검출대상에 대한 이미지 왜곡이 최소화된 이미지를 획득할 수 있다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 본 발명의 제1 실시예에 따른 인공지능 영상처리장치를 나타낸 블록도이다.
도 2는 본 발명의 제1 실시예에 따른 인공지능 영상처리장치가 검출대상 및 검출대상 수용부에 적용되는 것을 나타낸 개념도이다.
도 3 내지 도 9는 본 발명의 제1 실시예에 따른 인공지능 영상처리장치에 구비된 검출부에서 생성된 수하물(검출대상 수용부 및 검출대상)에 대한 검출데이터를 나타낸 이미지이다.
도 10은 본 발명의 제2 실시예에 따른 인공지능 영상처리장치를 나타낸 블록도이다.
도 11은 본 발명의 제2 실시예에 따른 인공지능 영상처리장치가 검출대상인 신체에 적용되는 것을 나타낸 개념도이다.
도 12 내지 도 19는 본 발명의 제2 실시예에 따른 인공지능 영상처리장치에 구비된 검출부에서 생성된 신체 중 고관절(검출대상)에 대한 검출데이터를 나타낸 이미지이다.
도 20 내지 도 27은 본 발명의 제2 실시예에 따른 인공지능 영상처리장치에 구비된 검출부에서 생성된 신체 중 고관절(검출대상)에 대한 검출데이터 중 이미지 왜곡이 심한 검출데이터를 나타낸 이미지이다.
도 28은 본 발명의 제1 실시예에 따른 인공지능 영상처리장치의 제어방법을 나타낸 순서도이다.
도 29는 본 발명의 제2 실시예에 따른 인공지능 영상처리장치의 제어방법을 나타낸 순서도이다.
도 2는 본 발명의 제1 실시예에 따른 인공지능 영상처리장치가 검출대상 및 검출대상 수용부에 적용되는 것을 나타낸 개념도이다.
도 3 내지 도 9는 본 발명의 제1 실시예에 따른 인공지능 영상처리장치에 구비된 검출부에서 생성된 수하물(검출대상 수용부 및 검출대상)에 대한 검출데이터를 나타낸 이미지이다.
도 10은 본 발명의 제2 실시예에 따른 인공지능 영상처리장치를 나타낸 블록도이다.
도 11은 본 발명의 제2 실시예에 따른 인공지능 영상처리장치가 검출대상인 신체에 적용되는 것을 나타낸 개념도이다.
도 12 내지 도 19는 본 발명의 제2 실시예에 따른 인공지능 영상처리장치에 구비된 검출부에서 생성된 신체 중 고관절(검출대상)에 대한 검출데이터를 나타낸 이미지이다.
도 20 내지 도 27은 본 발명의 제2 실시예에 따른 인공지능 영상처리장치에 구비된 검출부에서 생성된 신체 중 고관절(검출대상)에 대한 검출데이터 중 이미지 왜곡이 심한 검출데이터를 나타낸 이미지이다.
도 28은 본 발명의 제1 실시예에 따른 인공지능 영상처리장치의 제어방법을 나타낸 순서도이다.
도 29는 본 발명의 제2 실시예에 따른 인공지능 영상처리장치의 제어방법을 나타낸 순서도이다.
이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하 첨부된 도면을 참고하여 본 발명의 실시예를 상세히 설명하기로 한다.
1. 수하물용 인공지능 영상처리장치(제1 실시예)
이하, 도 1 및 도 2를 참조하여 본 발명의 제1 실시예에 따른 인공지능 영상처리장치를 설명하도록 한다.
도 1은 본 발명의 제1 실시예에 따른 인공지능 영상처리장치를 나타낸 블록도이다. 도 2는 본 발명의 제1 실시예에 따른 인공지능 영상처리장치가 검출대상 및 검출대상 수용부에 적용되는 것을 나타낸 개념도이다.
도 1 및 도 2를 참조하면, 본 발명의 제1 실시예에 따른 인공지능 영상처리장치(100)는 X선 조사부(110), TOF부(120), 검출부(130) 및 딥러닝부(140)를 포함한다.
X선 조사부(110)는 검출대상 수용부(10)를 마주보도록 배치된다.
또한, X선 조사부(110)는 검출대상 수용부(10) 및 검출대상 수용부(10)의 내부에 위치하는 검출대상(20)을 향하여 X선을 조사하는 장치이다.
여기서, 검출대상 수용부(10)는 수거함 또는 수하물일 수 있으며, 그외 검출대상(20)을 수용할 수 있는 중공의 하우징 형태를 가지는 것을 모두 포함한다.
또한, 검출대상(20)은 검출대상 수용부(10)의 내부에 수용되는 물질로서, 예시적으로 금속, 플라스틱, 유리 등으로 이루어진 모든 물질을 포함할 수 있다.
이때, 검출대상(20)은 상기한 바와 같이 각각 다른 성분으로 이루어짐에 따라 각기 다른 물성치를 가지며, 특히 검출대상(20)의 밀도가 서로 다르게 된다.
이에 따라 검출대상(20)은 X선이 투과됨에 따라 서로 다른 밝기의 검출데이터가 이미지화된다.
한편, X선 조사부(110)에는 1mA 내지 5mA의 전류가 인가되며, 이중에서도 X선 조사부(110)의 전류는 3mA인 것이 바람직하다.
또한, X선 조사부(110)에는 60KV 내지 160KV의 전압이 인가된다.
TOF부(120)는 검출대상 수용부(10)를 마주보도록 배치되고, 검출대상 수용부(10)를 기준으로 X선 조사부(110)와 반대편에 위치한다.
TOF부(120)는 검출대상 수용부(10) 및 검출대상(20)을 투과한 X선을 다수의 TOF 윈도우로 한정한다.
구체적으로 TOF부(120)는 X선 조사부(110)로부터 조사되는 X선이 노출되는 노출시간에 따라 다수의 TOF 윈도우로 X선을 한정하여 시간지연효과를 구현함에 따라 검출부(130)에서 검출되는 X선의 조사량을 조절한다.
여기서, 노출시간은 0.1초 내지 1초의 범위 내에서 등간격으로 설정된다.
예시적으로 TOF부(120)는 X선을 0.125초 동안 받아들일 수 있는 제1 TOF 윈도우, X선을 0.25초 동안 받아들일 수 있는 제2 TOF 윈도우, X선을 0.375초 동안 받아들일 수 있는 제3 TOF 윈도우, X선을 0.5초 동안 받아들일 수 있는 제4 TOF 윈도우, X선을 0.625초 동안 받아들일 수 있는 제5 TOF 윈도우, X선을 0.75초 동안 받아들일 수 있는 제6 TOF 윈도우, X선을 0.875초 동안 받아들일 수 있는 제7 TOF 윈도우, X선을 1초 동안 받아들일 수 있는 제8 TOF 윈도우를 설정하여 서로 다른 노출시간에 따른 X선을 받아들이도록 한다.
이에 따른 TOF부(120)는 X선을 노출시간별로 구분하여 받아들이기 때문에 검출부(130)가 각각의 노출시간에 따른 검출대상(20) 및 검출대상 수용부(10)에 대한 이미지를 검출할 수 있도록 시간지연효과를 구현한다.
상기한 TOF부(120)는 X선의 특성상 X선 조사부(110)에서 조사되는 X선을 물리적으로 시간지연을 시키기 어렵기 때문에 상기한 TOF 윈도우를 설정하여 시간지연효과를 구현한다.
검출부(130)는 TOF부(120)와 마주보도록 배치되고 이러한 검출부(130)는 TOF 윈도우로 한정한 X선을 검출하여 다수의 검출데이터를 생성한다.
이때, 다수의 검출데이터는 검출대상 수용부(10) 및 검출대상 수용부(10)에 대한 다수의 X선 이미지이다.
도 3 내지 도 9는 본 발명의 제1 실시예에 따른 인공지능 영상처리장치에 구비된 검출부에서 생성된 수하물(검출대상 수용부 및 검출대상)에 대한 검출데이터를 나타낸 이미지이다.
상기한 다수의 X선 이미지는 도 3 내지 도 9에 도시된 바와 같이 이미지화되고, 금속에 대한 이미지가 비금속에 대한 이미지보다 선명하게 보여지는 것을 확인할 수 있다.
또한, 다수의 X선 이미지는 검출대상(20)의 밀도 및 노출시간에 따라 서로 다른 밝기로 이미지화된다.
딥러닝부(140)는 다수의 검출데이터를 기반으로 학습하여 검출대상(20)에 대한 최종학습데이터를 도출한다.
구체적으로 딥러닝부(140)는 다수의 검출데이터를 학습모델에 적용하여 다수의 학습데이터를 생성한 후 다수의 학습데이터 중 이미지 왜곡이 최소화된 상기 최종학습데이터를 추론한다.
이때, 학습모델은 순환신경망(Recurrent Neural Network, RNN) 및 ResNet(Residual Network)중 적어도 어느 하나를 포함하고, 학습모델에 의해 학습된 다수의 학습데이터는 8개이다.
또한, 상기한 학습모델은 공지기술을 활용하여 적용되므로 이에 대한 구체적인 설명은 생략하도록 한다.
따라서, 딥러닝부(140)는 다수의 학습데이터 중 이미지 왜곡이 최소화되고 선명한 화질의 최종학습데이터를 도출한다.
추가적으로 본 발명은 X선 조사부(110) 및 TOF부(120)와 전기적으로 연결되는 제어부(미도시)를 더 포함한다.
상기한 제어부는 노출시간, X선 조사부(110)로 인가되는 전류 및 전압이 조절되도록 X선 조사부(110) 및 TOF부(120)의 동작을 제어한다.
전술한 다수의 TOF 윈도우, 다수의 검출데이터 및 다수의 학습데이터는 8개인 것이 바람직하다.
일반적으로 딥러닝을 이용하는 경우, 되도록이면 많은 양의 데이터를 기반으로 추론하는 것이 데이터의 신뢰성 및 정확성 측면에서 유리하나, 수하물의 경우 많은 양의 수하물을 검사해야 하므로 짧은 시간 내에 데이터의 신뢰성 및 정확성을 어느 정도 확보하는 것이 필요하다.
따라서, 다수의 TOF 윈도우, 다수의 검출데이터 및 다수의 학습데이터는 8개인 것이 바람직하다.
2. 제1 실시예: 수하물용 인공지능 영상처리장치의 제어방법
이하, 도 1, 도 2 및 도 28을 참조하여 본 발명의 제1 실시예에 따른 인공지능 영상처리장치의 제어방법을 설명하도록 한다.
도 28은 본 발명의 제1 실시예에 따른 인공지능 영상처리장치의 제어방법을 나타낸 순서도이다.
본 발명의 제1 실시예에 따른 인공지능 영상처리장치의 제어방법은 (a) X선 조사부(110)가 검출대상 수용부(10) 및 검출대상 수용부(10)의 내부에 있는 검출대상(20)을 향하여 X선을 조사하는 단계(S100), (b) TOP부(120)가 검출대상 수용부(10) 및 검출대상(20)을 투과한 X선을 TOF 윈도우로 한정하는 단계(S200), (c) 검출부(130)가 TOF 윈도우로 한정한 X선을 검출하여 다수의 검출데이터를 생성하는 단계(S300) 및 (d) 딥러닝부(140)가 다수의 검출데이터를 기반으로 학습하여 이미지 왜곡이 최소화된 최종학습데이터를 도출하는 단계(S400)를 포함한다.
구체적으로 상기 (a) 단계는, (a1) X선 조사부(110)가 검출대상 수용부(10) 및 검출대상(20)과 대향하도록 배치되는 단계 및 (a2) X선 조사부(110)가 검출대상 수용부(10) 및 검출대상(20)를 향하여 X선을 조사하는 단계를 포함한다.
다음, 상기 (b) 단계는, (b1) TOF부(120)가 검출대상 수용부(10) 및 검출대상(20)과 대향하면서 검출대상 수용부(10)를 기준으로 X선 조사부(110)의 반대편에 위치하는 단계, (b2) TOF부(120)가 시간별 TOF 윈도우을 다수로 설정하는 단계 및 (b3) TOF부(120)가 X선을 다수의 윈도우로 한정하는 단계를 포함한다.
구체적으로 다수의 윈도우는 0.1초 내지 1초를 등간격으로 나눈 노출시간에 따른 X선을 한정하여 시간지연효과를 구현한다.
다음, (c) 단계는, (c1) 검출부(130)가 TOF 윈도우로 한정한 X선을 검출하는 단게, (c2) 검출부(130)가 검출된 X선에 대한 다수의 검출데이터를 생성하는 단계 및 (c3) 검출부(130)가 딥러닝부(140)로 다수의 검출데이터를 전송하는 단계를 포함한다.
마지막으로, 상기 (d) 단계는, (d1) 딥러닝부(140)가 검출부(130)로부터 전송되는 다수의 검출데이터를 수신하는 단계, (d2) 딥러닝부(140)가 다수의 검출데이터를 학습모델에 적용하여 다수의 학습데이터를 도출하는 단계 및 (d3) 딥러닝부(140)가 다수의 학습데이터 중 이미지 왜곡이 최소화된 최종학습데이터를 도출하는 단계를 포함한다.
3. 신체용 인공지능 영상처리장치(제2 실시예)
이하, 도 10 및 도 11을 참조하여 본 발명의 제2 실시예에 따른 인공지능 영상처리장치를 설명하도록 한다.
제2 실시예에 따른 인공지능 영상처리장치는 제1 실시예에 따른 인공지능 영상처리장치와 모든 구성요소가 동일하나, 검출하고자 하는 대상에서 차이점이 있다.
따라서, 이하에서는 공통적인 구성요소에 대한 설명은 간략히 하고 전술한 바를 참고하도록 하며, 검출하고자 하는 대상에 대하여 구체적으로 설명한다.
도 10은 본 발명의 제2 실시예에 따른 인공지능 영상처리장치를 나타낸 블록도이다. 도 11은 본 발명의 제2 실시예에 따른 인공지능 영상처리장치가 검출대상인 신체에 적용되는 것을 나타낸 개념도이다.
본 발명의 제2 실시예에 따른 인공지능 영상처리장치(100)는 X선 조사부(110), TOF부(120), 검출부(130) 및 딥러닝부(140)를 포함한다.
X선 조사부(110)는 검출대상(20)을 향하여 X선을 조사한다.
일반적으로 X선 조사부(110)에는 1mA 내지 5mA의 전류가 인가되고, 60KV 내지 160KV의 전압이 인가된다.
다만, 제2 실시예에서는 검출대상(20)이 신체이고, 이때, X선 조사부(110)에는 100KV의 전압이 인가된다.
만약, 검출대상(20)이 신체 중 치아일 경우, X선 조사부(110)에는 160KV의 전압이 인가된다.
추가적으로 X선 조사부(110)는 검출부(130)가 다수의 검출데이터를 검출하는 동안 X선에 의한 방사선 피폭량이 100mrem(1년 기준 허용치)을 초과하지 않도록 X선을 조사하는 것이 바람직하다.
구체적으로 신체가 X선에 과다하게 노출되면, 그로 인해 신체의 내부에 종양이 생성되어 암으로 발전되기도 하므로 안전을 위해 상기한 바와 같이 X선량을 조절한다.
TOF부(120)는 검출대상(20)을 투과한 X선을 다수의 TOF 윈도우로 한정한다.
구체적으로 TOF부(120)는 X선 조사부(110)로부터 조사되는 X선이 노출되는 노출시간에 따라 다수의 TOF 윈도우로 X선을 한정하여 시간지연효과를 구현함에 따라 검출부(130)에서 검출되는 X선의 조사량을 조절한다.
이때, 노출시간은 0.1초 내지 1초의 범위 내에서 등간격으로 설정된다.
검출부(130)는 TOF 윈도우로 한정한 X선을 검출하여 다수의 검출데이터를 생성한다.
도 12 내지 도 19는 본 발명의 제2 실시예에 따른 인공지능 영상처리장치에 구비된 검출부에서 생성된 신체 중 고관절(검출대상)에 대한 검출데이터를 나타낸 이미지이다. 구체적으로 도 12 내지 도 19에는 검출부(130)가 신체 중 고관절을 동일한 포지션에서 동일한 곳에 포커싱하되, X선의 조사량만 달리하여 검출된 다수의 검출데이터가 도시되어 있다.
이와 같이 X선의 조사량이 달라지면 도 12 내지 도 19에 도시된 바와 같이 명암이 달리 표현된다.
도 20 내지 도 27은 본 발명의 제2 실시예에 따른 인공지능 영상처리장치에 구비된 검출부에서 생성된 신체 중 고관절(검출대상)에 대한 검출데이터 중 이미지 왜곡이 심한 검출데이터를 나타낸 이미지이다.
또한, 도 20 내지 도 27에 도시된 바와 같이 X선의 조사량에 따라 이미지 왜곡이 심화될 수 있다.
이에 따라 본 발명은 상기한 다수의 검출데이터를 학습모델에 적용하여 이미지 왜곡이 최소화된 최종학습데이터를 도출하는데 그 목적이 있다.
구체적으로 딥러닝부(140)는 다수의 검출데이터를 학습모델에 적용하여 다수의 학습데이터를 생성한 후 다수의 학습데이터 중 이미지 왜곡이 최소화된 최종학습데이터를 추론하고, 이때 학습모델은 순환신경망(Recurrent Neural Network, RNN) 및 ResNet(Residual Network)중 적어도 어느 하나를 포함한다.
이때, 다수의 검출데이터는 신체에 대한 다수의 X선 이미지이며, 다수의 X선 이미지는 신체의 밀도 및 상기 노출시간에 따라 서로 다른 밝기로 이미지화된다.
또한, 다수의 검출데이터는 신체 중 피부, 뼈, 연골, 치아, 손발톱 등의 밀도가 서로 다르기 때문에 그에 따라 서로 다른 밝기로 이미지화된다.
딥러닝부(140)는 다수의 검출데이터를 기반으로 학습하여 검출대상(20)에 대한 최종학습데이터를 도출한다.
또한, 본 발명은 X선 조사부(110) 및 TOF부(120)와 전기적으로 연결되고 노출시간, X선 조사부(110)로 인가되는 전류 및 전압이 조절되도록 X선 조사부(110) 및 TOF부(120)의 동작을 제어하는 제어부(미도시)를 더 포함한다.
4. 신체용 인공지능 영상처리장치의 제어방법(제2 실시예)
이하, 도 10, 도 11 및 도 29를 참조하여 본 발명의 제2 실시예에 따른 인공지능 영상처리장치의 제어방법을 설명하도록 한다.
도 29는 본 발명의 제2 실시예에 따른 인공지능 영상처리장치의 제어방법을 나타낸 순서도이다.
본 발명의 제2 실시예에 따른 인공지능 영상처리장치의 제어방법은 (a) X선 조사부(110)가 검출대상(20)을 향하여 X선을 조사하는 단계, (b) TOP부(120)가 검출대상(20)을 투과한 X선을 TOF 윈도우로 한정하는 단계, (c) 검출부(130)가 TOF 윈도우로 한정한 X선을 검출하여 다수의 검출데이터를 생성하는 단계 및 (d) 딥러닝부(140)가 다수의 검출데이터를 기반으로 학습하여 이미지 왜곡이 최소화된 최종학습데이터를 도출하는 단계를 포함한다.
이에 따른 제2 실시예에 따른 본 발명은 제1 실시예와 비교하였을 때, 검출대상이 다를 뿐, 그 외에 구성요소 및 제어방법은 제1 실시예와 동일하므로 이에 대한 구체적인 설명은 생략하도록 하며, 전술한 바를 참고하도록 한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10: 검출대상 수용부
20: 검출대상
100: 인공지능 영상처리장치
110: X선 조사부
120: TOF부
130: 검출부
140: 딥러닝부
20: 검출대상
100: 인공지능 영상처리장치
110: X선 조사부
120: TOF부
130: 검출부
140: 딥러닝부
Claims (14)
- 검출대상을 향하여 X선을 조사하는 X선 조사부;
상기 검출대상을 투과한 X선을 다수의 TOF 윈도우로 한정하는 TOF부;
상기 TOF 윈도우로 한정한 X선을 검출하여 다수의 검출데이터를 생성하는 검출부; 및
상기 다수의 검출데이터를 기반으로 학습하여 상기 검출대상에 대한 최종학습데이터를 도출하는 딥러닝부;를 포함하고,
상기 TOF부는 상기 X선 조사부로부터 조사되는 상기 X선이 노출되는 노출시간에 따라 상기 다수의 TOF 윈도우로 상기 X선을 한정하여 시간지연효과를 구현함에 따라 상기 검출부에서 검출되는 상기 X선의 조사량을 조절하는 것을 특징으로 하는 인공지능 영상처리장치.
- 제1 항에 있어서,
상기 검출대상은 검출대상 수용부의 내부에 위치하고,
상기 X선 조사부는 상기 검출대상 수용부 및 상기 검출대상을 향하여 상기 X선을 조사하는 것을 특징으로 하는 인공지능 영상처리장치.
- 제2 항에 있어서,
상기 다수의 검출데이터는 상기 검출대상 수용부 및 상기 검출대상 수용부에 대한 다수의 X선 이미지이고,
상기 다수의 X선 이미지는 상기 검출대상의 밀도 및 상기 노출시간에 따라 서로 다른 밝기로 이미지화되는 것을 특징으로 하는 인공지능 영상처리장치.
- 제1 항에 있어서,
상기 검출대상은 신체이고,
상기 다수의 검출데이터는 상기 신체에 대한 다수의 X선 이미지이며,
상기 다수의 X선 이미지는 상기 신체의 밀도 및 상기 노출시간에 따라 서로 다른 밝기로 이미지화되는 것을 특징으로 하는 인공지능 영상처리장치.
- 제4 항에 있어서,
상기 X선 조사부에는 100KV의 상기 전압이 인가되는 것을 특징으로 하는 인공지능 영상처리장치.
- 제4 항에 있어서,
상기 검출대상이 상기 신체 중 치아일 경우,
상기 X선 조사부에는 160KV의 상기 전압이 인가되는 것을 특징으로 하는 인공지능 영상처리장치.
- 제4 항에 있어서,
상기 X선 조사부는 상기 검출부가 상기 다수의 검출데이터를 검출하는 동안 상기 X선에 의한 방사선 피폭량이 100mrem을 초과하지 않도록 상기 X선을 조사하는 것을 특징으로 하는 인공지능 영상처리장치.
- 제1 항 또는 제2 항에 있어서,
상기 X선 조사부 및 상기 TOF부와 전기적으로 연결되고 상기 노출시간, 상기 X선 조사부로 인가되는 전류 및 전압이 조절되도록 상기 X선 조사부 및 상기 TOF부의 동작을 제어하는 제어부;를 더 포함하는 것을 특징으로 하는 인공지능 영상처리장치.
- 제8 항에 있어서,
상기 노출시간은 0.1초 내지 1초의 범위 내에서 등간격으로 설정되는 것을 특징으로 하는 인공지능 영상처리장치.
- 제8 항에 있어서,
상기 X선 조사부에는 1mA 내지 5mA의 상기 전류가 인가되는 것을 특징으로 하는 인공지능 영상처리장치.
- 제8 항에 있어서,
상기 X선 조사부에는 60KV 내지 160KV의 상기 전압이 인가되는 것을 특징으로 하는 인공지능 영상처리장치.
- 제1 항 또는 제2 항에 있어서,
상기 딥러닝부는 상기 다수의 검출데이터를 학습모델에 적용하여 다수의 학습데이터를 생성한 후 상기 다수의 학습데이터 중 이미지 왜곡이 최소화된 상기 최종학습데이터를 추론하고,
상기 학습모델은 순환신경망(Recurrent Neural Network, RNN) 및 ResNet(Residual Network)중 적어도 어느 하나를 포함하는 것을 특징으로 하는 인공지능 영상처리장치.
- 제2 항에 따른 인공지능 영상처리장치의 제어방법에 있어서,
(a) 상기 X선 조사부가 상기 검출대상 수용부 및 상기 검출대상 수용부의 내부에 있는 상기 검출대상을 향하여 X선을 조사하는 단계;
(b) 상기 TOP부가 상기 검출대상 수용부 및 상기 검출대상을 투과한 X선을 상기 TOF 윈도우로 한정하는 단계;
(c) 상기 검출부가 상기 TOF 윈도우로 한정한 X선을 검출하여 다수의 검출데이터를 생성하는 단계; 및
(d) 상기 딥러닝부가 상기 다수의 검출데이터를 기반으로 학습하여 이미지 왜곡이 최소화된 최종학습데이터를 도출하는 단계;를 포함하는 것을 특징으로 하는 인공지능 영상처리장치의 제어방법.
- 제1 항에 따른 인공지능 영상처리장치의 제어방법에 있어서,
(a) 상기 X선 조사부가 상기 검출대상을 향하여 X선을 조사하는 단계;
(b) 상기 TOP부가 상기 검출대상을 투과한 X선을 상기 TOF 윈도우로 한정하는 단계;
(c) 상기 검출부가 상기 TOF 윈도우로 한정한 X선을 검출하여 상기 다수의 검출데이터를 생성하는 단계; 및
(d) 상기 딥러닝부가 상기 다수의 검출데이터를 기반으로 학습하여 이미지 왜곡이 최소화된 최종학습데이터를 도출하는 단계;를 포함하는 것을 특징으로 하는 인공지능 영상처리장치의 제어방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210057262A KR102520594B1 (ko) | 2021-05-03 | 2021-05-03 | 인공지능 영상처리장치 및 이의 제어방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210057262A KR102520594B1 (ko) | 2021-05-03 | 2021-05-03 | 인공지능 영상처리장치 및 이의 제어방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220150480A true KR20220150480A (ko) | 2022-11-11 |
| KR102520594B1 KR102520594B1 (ko) | 2023-04-13 |
Family
ID=84042743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210057262A KR102520594B1 (ko) | 2021-05-03 | 2021-05-03 | 인공지능 영상처리장치 및 이의 제어방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102520594B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008036420A (ja) * | 2006-08-03 | 2008-02-21 | General Electric Co <Ge> | 身体マップの再構成の方法 |
| KR101992057B1 (ko) * | 2018-08-17 | 2019-06-24 | (주)제이엘케이인스펙션 | 혈관 투영 영상을 이용한 뇌질환 진단 방법 및 시스템 |
| JP2020511262A (ja) * | 2017-03-24 | 2020-04-16 | パイ メディカル イメージング ビー ヴイＰｉｅ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ Ｂ．Ｖ． | 機械学習に基づいて血管閉塞を評価する方法およびシステム |
| JP2021018109A (ja) * | 2019-07-18 | 2021-02-15 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置、医用画像診断装置及び核医学診断装置 |
-
2021
- 2021-05-03 KR KR1020210057262A patent/KR102520594B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008036420A (ja) * | 2006-08-03 | 2008-02-21 | General Electric Co <Ge> | 身体マップの再構成の方法 |
| JP2020511262A (ja) * | 2017-03-24 | 2020-04-16 | パイ メディカル イメージング ビー ヴイＰｉｅ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ Ｂ．Ｖ． | 機械学習に基づいて血管閉塞を評価する方法およびシステム |
| KR101992057B1 (ko) * | 2018-08-17 | 2019-06-24 | (주)제이엘케이인스펙션 | 혈관 투영 영상을 이용한 뇌질환 진단 방법 및 시스템 |
| JP2021018109A (ja) * | 2019-07-18 | 2021-02-15 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置、医用画像診断装置及び核医学診断装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102520594B1 (ko) | 2023-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020112677A3 (en) | Optimized scanning methods and tomography system using region of interest data | |
| US6175614B1 (en) | Method and apparatus for automatic sizing and positioning of ABS sampling window in an x-ray imaging system | |
| EP2531872B1 (en) | Scanning systems | |
| US7702075B2 (en) | Energy spectrum modulation apparatus, material discrimination method and device, image processing method | |
| US5485501A (en) | Method for the operation of an automatic x-ray exposure unit | |
| KR20210005649A (ko) | 딥 러닝 기술을 이용하여 금속 영향을 받은 x-선 데이터의 복셀 표현을 자동 수정 | |
| CN107802280B (zh) | 校正曲线生成方法、投影图像的校正方法、系统及存储介质 | |
| DE69133079D1 (de) | Vorrichtung und verfahren zum nachweis von schmuggelware unter verwendung einer aktivierung schneller neutronen | |
| NL7909328A (nl) | Stralingsbeeldverwerking. | |
| CN110522466B (zh) | 确定患者重量和/或体重指数的方法和装置 | |
| KR102520594B1 (ko) | 인공지능 영상처리장치 및 이의 제어방법 | |
| Schreiner et al. | The potential for image guided radiation therapy with cobalt-60 tomotherapy | |
| US8938104B2 (en) | Systems and methods for adaptive filtering | |
| Casolaro et al. | The physics of radiochromic process: one calibration equation for all film types | |
| CN110415312B (zh) | 一种获取放射图像方法、系统、装置及存储介质 | |
| Verellen et al. | On-line portal imaging: image quality defining parameters for pelvic fields—a clinical evaluation | |
| US10983070B2 (en) | Method for characterizing an object using spectral imaging | |
| CN115484869A (zh) | 图像数据的处理方法、放疗设备的等中心验证方法及系统 | |
| Pietsch et al. | Automatic detection and classification of treatment deviations in proton therapy from realistically simulated prompt gamma imaging data | |
| US7561665B2 (en) | Dual pulse imaging | |
| EP3858241B1 (en) | Computer-implemented method for determining at least one main acquisition parameter and method for acquiring a main x-ray image | |
| KR102394444B1 (ko) | 듀얼 에너지 단층촬영 장치, 및 이를 이용한 금속 이미지 구분 방법 | |
| JP6286140B2 (ja) | 放射線画像解析装置、放射線治療システム、マーカ部分検出方法およびプログラム | |
| Nascimento et al. | Subtraction of images for automatic determination of center of the radiation field | |
| Haytmyradov et al. | Adaptive weighted log subtraction based on neural networks for markerless tumor tracking using dual‐energy fluoroscopy |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right |