WO2019103354A1 - 치과용 콘-빔 씨티의 산란선 보정방법 및 보정장치 - Google Patents

치과용 콘-빔 씨티의 산란선 보정방법 및 보정장치 Download PDF

Info

Publication number
WO2019103354A1
WO2019103354A1 PCT/KR2018/013344 KR2018013344W WO2019103354A1 WO 2019103354 A1 WO2019103354 A1 WO 2019103354A1 KR 2018013344 W KR2018013344 W KR 2018013344W WO 2019103354 A1 WO2019103354 A1 WO 2019103354A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
neural network
artificial neural
learning
scatter
Prior art date
Application number
PCT/KR2018/013344
Other languages
English (en)
French (fr)
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 US16/757,073 priority Critical patent/US11380025B2/en
Publication of WO2019103354A1 publication Critical patent/WO2019103354A1/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 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]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/40—Arrangements for generating radiation specially adapted for radiation diagnosis
    • A61B6/4064—Arrangements for generating radiation specially adapted for radiation diagnosis specially adapted for producing a particular type of beam
    • A61B6/4085—Cone-beams
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/42—Arrangements for detecting radiation specially adapted for radiation diagnosis
    • A61B6/4291—Arrangements for detecting radiation specially adapted for radiation diagnosis the detector being combined with a grid or grating
    • 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
    • A61B6/5258—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

Definitions

  • the present invention relates to a method and apparatus for correcting a scattered ray in an image of a dental cone-beam computerized tomography (CT) used for photographing a human body, and more particularly, To a method and apparatus for correcting a scattering line of a dental cone-beam CT capable of improving the quality of a reconstructed image by performing scatter correction by learning using the scattering line.
  • CT computerized tomography
  • light has both straightness and diffusibility. Due to the diffusibility of light, scattering lines are generated in CT scan.
  • a collimator 1 having a high aspect ratio (h / d) in a medical CT is used as a method of physically removing scattered lines, There is a method of minimizing the influence of the scattered rays by sensing the photons of the passed X-rays with the detector 2.
  • the collimator 1 and the detector 2 may be arranged in a line as shown in FIG. 1 (a) or may be arranged in a slightly curved shape as shown in FIG. 1 (b).
  • an anti-scatter grid 3 is used to detect the scattered X- ) Through the hole 3 'of the anti-scatter grid 3.
  • a flat-type detector is used so as to obtain data of the principal ray 4 that has passed through the anti-scatter grid 3.
  • the CT image is acquired by using the flat plate detector to reconstruct the CT image, and the scattering line distribution is predicted through Monte Carlo simulation Thereafter, the projection image is recalibrated, and then the CT image is reconstructed.
  • this method has a disadvantage in that it takes a lot of time for the simulation and is difficult to apply to actual products.
  • Patent Document 1 discloses an X-ray imaging apparatus including an X-ray generating source that radiates X-rays toward a subject, and a plurality of X-ray generating sources which are disposed between the X-ray generating source and the subject and whose longitudinal direction is parallel to the circular scan rotation axis of the subject
  • a beam shielding strip disposed alternately with the strip fissure and the empty space to shield a portion of X-rays emitted from the X-ray source; a beam shielding strip disposed opposite the X- Ray detector that detects X-ray transmission image data including an X-ray scattered image due to the object to be examined; and a controller that performs a circular scan of the inspected object and detects X-ray transmission image data detected from the multi- Dimensional scattering correction for each row of the X-ray detector in the vertical direction and the arrangement of the stripe fingers to obtain the estimated scattering image data,
  • the reconstructed tomographic image after scatter correction is reconstructed by image reconstruction using
  • a CT image of a subject to be photographed is acquired by a treatment plan CT (Plan CT) apparatus to acquire an image file; Converting the acquired image file into a voxel phantom; Acquiring a first conebeam CT image using the voxel phantom; Obtaining a scattering line distribution from the first cone beam CT image through Monte Carlo simulation; Wherein the object to be photographed is actually photographed by a cone beam CT apparatus to obtain a second cone beam CT image; And removing the scattering line distribution using the scattering line distribution obtained from the obtained second cone-beam CT image, wherein the inherent error included in the existing cone-beam CT image is not included in the scattering line distribution, And a scattering line elimination method using a CT image for treatment planning, which can acquire a corrected image in which scattering line distribution is removed quickly at each treatment.
  • Plan CT Plan CT
  • the present invention has been made to solve the above problems of the prior art, and it is an object of the present invention to provide a dental cone-beam CT scattering line capable of improving the quality of a reconstructed image by performing scatter correction by learning using Monte Carlo simulation and artificial neural network. And an object of the present invention is to provide a correction method and apparatus.
  • the present invention provides a method of correcting a scattering line of a dental cone-beam CT, comprising: obtaining a CT image by angle using a flat plate detector while rotating an X- Reconstructing a CT image; Generating a 2D profile of the projected image by performing Monte Carlo simulation for each angle using the reconstructed 3D CT image; Decomposing the 2D profile of the projected image into a primary X-ray image that has not been scattered while reaching the detector, and splitting only the scattered rays into a scatter image involved in image generation; Constructing and learning an artificial neural network in which a primary image and a scatter image generated in the simulation are used as objective functions and an actually obtained projection image is input; And storing learning information according to an artificial neural network and applying the learning information to scatter correction.
  • Monte Carlo simulation is performed using a radiation particle transportation MC simulation program including Geant4, MCNP, Penelope, and EGS.
  • the scatter image is used after a surface fit is performed through a least squares method or an optimization technique.
  • the artificial neural network can be classified into a Convolutional Neural Network (CNN), a Deep Belief Network (DBN), a Deep HyperNetwork (DHN), a Genetic Hostile Neural Network (GAN) Generative Adversarial Network), and an artificial neural network capable of learning based on an image, or a combination or modification thereof.
  • CNN Convolutional Neural Network
  • DBN Deep Belief Network
  • DNN Deep HyperNetwork
  • GAN Genetic Hostile Neural Network
  • GAN Genetic Hostile Neural Network
  • the scatter correction method is characterized in that it is applied to a dual energy cone-beam CT using two energies of low energy and high energy.
  • the X-ray irradiation condition including the tube voltage, the tube current, the kind of the filter material, and the thickness of the filter is provided as learning data in the learning using the artificial neural network.
  • the scattering line correction device for a dental cone-beam CT of the present invention is a device for correcting a scattering line of a dental cone-beam CT by inputting projection images at angles on which a CT image is based and generating scattered images based on the learning data, An artificial neural network for outputting a 2D scattering profile as an output and determining a scatter profile from the projected image; And a scatter removal module for removing the output scattered X-ray data from the projection image.
  • the artificial neural network is characterized in that a scatter image obtained through a Monte Carlo simulation of an X-ray projection image at an angle according to a CT image of a secured object at the time of learning is used as an objective function.
  • the artificial neural network has a function of performing surface-fit image data on a scatter image acquired through Monte Carlo simulation of an X-ray projection image at an angle according to a CT image of the inspected object during learning Is used as a function.
  • the artificial neural network interpolates image data obtained by performing Monte Carlo simulation on a X-ray projection image at angles according to a CT image of the inspected object during learning and image data obtained by performing surface fitting, As an objective function.
  • the artificial neural network is characterized in that a primary image obtained through Monte Carlo simulation of an X-ray projection image at an angle according to a CT image of a secured object at the time of learning is used as an objective function.
  • the artificial neural network is characterized in that a projection image obtained at an angle equal to the objective function among the projection images for reconstructing the CT image of the inspected object during learning is input.
  • the artificial neural network includes geometry information including an angle at which a projection image is acquired at a learning time and a distance between an X- .
  • the artificial neural network is characterized in that some or all of the X-ray irradiation conditions including the tube voltage, the tube current, the kind of the filter substance, and the thickness of the filter at the time of learning are used as a part of the input.
  • the X-ray image from which the scattered line generated based on the learning data is input the scattered line is removed from the projection image by determining the scatter profile from the projected image,
  • a computer program including an artificial neural network for outputting an image the X-ray image from which the scattered line generated based on the learning data is input, the scattered line is removed from the projection image by determining the scatter profile from the projected image, and a computer program including an artificial neural network for outputting an image.
  • each projection image obtained for each angle in the cone-beam CT or the dual energy cone beam CT is decomposed using Monte Carlo simulation,
  • the learning information is used for scatter correction after learning scatter information by using artificial neural network, and it is possible to minimize the influence of the scatter line and improve the image quality of the reconstructed image.
  • 1 is a reference view showing a conventional scattering line removal method using a collimator.
  • FIG. 2 is a reference view showing a conventional scattering line removal method using an anti-scatter grid.
  • FIG. 3 is a flowchart showing a method of correcting a scattering line of a dental cone-beam CT according to the present invention.
  • FIG. 4 is a diagram illustrating a Monte Carlo simulation method for each CT acquisition angle.
  • FIG. 5 is an exemplary view showing a profile of a primary and a scatter on a line of the same projection image
  • FIG. 6 is an exemplary view of an image according to a Monte Carlo simulation
  • FIG. 7 is an exemplary view of the surface fit of the scatter image of FIG. 6;
  • FIG. 8 is a schematic diagram of an artificial neural network learning according to the present invention.
  • FIG. 9 is a schematic diagram of an artificial neural network that corrects scatter according to the present invention.
  • a method of correcting a scattered ray of a dental cone-beam CT includes acquiring a CT image by angle using a flat plate detector while rotating an X-ray source of the cone- Reconstructing a three-dimensional CT image; Performing a Monte Carlo simulation for each angle using the reconstructed three-dimensional CT image to generate a 2D profile of the projected image; Decomposing the 2D profile of the projected image and decomposing the primary X-ray image not scattered while reaching the detector and the scattered image into only the scattered rays involved in image generation; Constructing and learning an artificial neural network in which a primary image and a scatter image generated in the simulation are used as objective functions and an actually obtained projection image is input; Storing learning information according to an artificial neural network, and applying the learning information to scatter correction.
  • the Monte Carlo simulation is performed using a radiation particle transportation MC simulation program including Geant4, MCNP, Penelope, and EGS.
  • the scatter image may be used as it is, or it may be used after performing a surface fit through a least square method or an optimization technique.
  • the artificial neural network may include a Convolutional Neural Network (CNN), a Deep Belief Network (DBN), a Deep HyperNetwork (DHN), a Genetic Hostile Neural Network (GAN) Generative Adversarial Network), an artificial neural network capable of learning based on an image, or the like, or a combination or modification thereof.
  • CNN Convolutional Neural Network
  • DBN Deep Belief Network
  • DNN Deep HyperNetwork
  • GAN Genetic Hostile Neural Network
  • GAN Genetic Hostile Neural Network
  • some or all of the X-ray irradiation conditions including the tube voltage, the tube current, the kind of the filter substance, and the thickness of the filter can be provided as learning data.
  • the method of the present invention for correcting scattered rays of a cone-beam CT of the present invention can be used in an ordinary cone-beam CT using one energy, and a dual energy ) Cone-beam CT can also be used.
  • the dual energy method is a method of acquiring image information of teeth by radiating X-rays having different energy levels.
  • the method of correcting the scattered line of the cone-beam CT according to the present invention includes performing a Monte Carlo simulation for each angle using a reconstructed three-dimensional CT image of an existing patient, Create primary X-ray and scatter X-ray images or profiles.
  • FIG. 7A is a surface plot of a scatter image
  • FIG. 7B is a surface plot of a scatter image after the surface fit
  • FIG. 7C is a scatter image after the surface fit is completed.
  • the apparatus for correcting a scattered-line of a dental cone-beam CT according to the present invention to which the above method is applied is characterized in that projection images at angles on which CT images are based are inputted as input, An artificial neural network that determines a scatter profile from the projected image by using the generated scatter image or a plurality of 1D scatter profiles or 2D scatter profiles; And a scatter removal module for removing the output scattered X-ray data from the projection image.
  • the computer program causes the 2D profile of the primary or scatter obtained by performing the Monte Carlo simulation using the CT image data of the same patient as the input of the artificial neural network as the projection image obtained by the patient, Based on the learning data, a scatter 2D profile is generated for each projection image obtained at the actual patient imaging, and then the projection image is removed from each projection image or a primary image is generated.
  • the artificial neural network may use a scatter image obtained through Monte Carlo simulation of an X-ray projection image at an angle according to a CT image of the inspected object during learning as an objective function or a scatter image acquired through a Monte Carlo simulation
  • the image data obtained by performing the surface fit for the image can be used as an objective function.
  • the artificial neural network can input a projection image obtained from the same angle as the objective function among the projection images for reconstructing the CT image of the inspected object during learning.
  • geometry information including the angle at which the projected image is acquired and the distance between the X-ray focus and the image acquisition device may be utilized as a part of the input.
  • some or all of the X-ray irradiation conditions including the tube voltage, the tube current, the type of the filter substance, and the thickness of the filter may be used as a part of the input.
  • the scattering line correction apparatus for a dental cone-beam CT of the present invention is configured to input projection images according to angles on which a CT image is based, And an artificial neural network that outputs the removed X-ray image as an output, determines a scatter profile from the projected image, and outputs an image from which the scattered line has been removed.

Landscapes

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

Abstract

본 발명은 치과용 콘-빔 ＣＴ의 산란선 보정방법 및 보정장치에 관한 것으로서, 몬테카를로 시뮬레이션과 인공 신경망을 이용한 학습에 의해 스캐터 보정을 하도록 함으로써 재구성 영상의 화질을 향상시키는데 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 씨티의 산란선 보정방법 및 보정장치
본 발명은 인체의 치아를 촬영하는데 사용되는 치과용 콘-빔 CT(Cone-beam Computerized Tomography)의 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 촬영시 산란선이 발생하게 된다.
또한 상기 산란선으로 인해 영상 전체에 저주파 성분의 노이즈(Noise)가 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.
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 프로파일을 출력으로 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 핏(Surface Fit)을 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 영상을 출력으로 하여, 투사 영상으로부터 스캐터 프로파일을 결정하여 산란선이 제거된 이미지를 출력하는 인공 신경망을 포함하는 컴퓨터 프로그램을 구비하는 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, 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.
본 발명에 따른 콘-빔 CT의 산란선 보정방법은, 도 4에 도시된 바와 같이, 기존 환자의 재구성된 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 6(a)와 같이 시뮬레이션을 통해 획득한 투사영상은, X선이 디텍터에 입사하기 전까지 어떠한 반응도 거치지 않은 도 6(b)와 같은 프라이머리 영상과 산란선들만이 영상 생성에 관여한 도 6(c)의 스캐터 영상으로 분해할 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 하고, 동일한 환자의 CT 영상 데이터를 사용해서 몬테카를로 시뮬레이션을 수행해서 획득한 프라이머리(Primary) 또는 스캐터의 2D 프로파일을 목적 함수 또는 목적 데이터로 하여 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.
또한 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 있다.
또한 투사 영상이 획득된 각도와 X선 초점과 영상획득장치 간의 거리를 포함하는 지오메트리 정보를 입력의 일부로 활용할 수도 있다.
또한, 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 영상을 출력으로 하여, 투사 영상으로부터 스캐터 프로파일을 결정하여 산란선이 제거된 이미지를 출력하는 인공 신경망을 포함하는 컴퓨터 프로그램을 구비하도록 할 수도 있다.
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 프로파일을 출력으로 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 영상을 출력으로 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.
PCT/KR2018/013344 2017-11-24 2018-11-06 치과용 콘-빔 씨티의 산란선 보정방법 및 보정장치 WO2019103354A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/757,073 US11380025B2 (en) 2017-11-24 2018-11-06 Scatter correction method and apparatus for dental cone-beam CT

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020170157843A KR102020221B1 (ko) 2017-11-24 2017-11-24 치과용 콘-빔 ｃｔ의 산란선 보정방법 및 보정장치
KR10-2017-0157843 2017-11-24

Publications (1)

Publication Number Publication Date
WO2019103354A1 true WO2019103354A1 (ko) 2019-05-31

Family

ID=66632044

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/013344 WO2019103354A1 (ko) 2017-11-24 2018-11-06 치과용 콘-빔 씨티의 산란선 보정방법 및 보정장치

Country Status (3)

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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667571A (zh) * 2020-06-08 2020-09-15 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
DE102019216329A1 (de) * 2019-10-23 2021-04-29 Siemens Healthcare Gmbh Quantifizierung eines Einflusses von Streustrahlung bei einer tomographischen Analyse
CN113409414A (zh) * 2021-06-08 2021-09-17 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

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102182048B1 (ko) * 2018-11-21 2020-11-23 이희신 엑스선 영상 산란 보정 시스템 및 방법
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
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
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
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
KR20230091422A (ko) 2021-12-16 2023-06-23 재단법인 아산사회복지재단 의료영상 처리 장치와 그 의료영상 학습 방법 및 의료영상 처리 방법

Citations (5)

* 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
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
KR20170047423A (ko) * 2015-10-22 2017-05-08 한국디지털병원수출사업협동조합 Cad기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템

Family Cites Families (8)

* 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
KR101255224B1 (ko) 2011-06-15 2013-04-17 한국과학기술원 Ｘ선 단층촬영 시스템 및 이를 이용한 산란 보정 방법
KR101613391B1 (ko) 2015-02-11 2016-04-19 (의료)길의료재단 치료 계획용 ct 영상을 이용한 산란선 제거 방법 및 시스템
EP3282949B1 (en) * 2015-04-13 2019-06-05 Case Western Reserve University Dual energy x-ray coronary calcium grading
KR102044932B1 (ko) * 2015-06-26 2019-11-14 프리스매틱 센서즈 에이비 X-선 영상화에서의 산란 추정 및/또는 보정(scatter estimation and/or correction in x-ray imaging)
KR102399148B1 (ko) * 2016-11-25 2022-05-19 삼성전자주식회사 엑스선 장치 및 이의 의료 영상 획득
US20180330233A1 (en) * 2017-05-11 2018-11-15 General Electric Company Machine learning based scatter correction
CN111448590B (zh) * 2017-09-28 2023-08-15 皇家飞利浦有限公司 基于深度学习的散射校正

Patent Citations (5)

* 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
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
KR20170047423A (ko) * 2015-10-22 2017-05-08 한국디지털병원수출사업협동조합 Cad기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템

Cited By (6)

* 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
US11707245B2 (en) 2019-10-23 2023-07-25 Siemens Healthcare Gmbh Quantification of an influence of scattered radiation in a tomographic analysis
CN111667571A (zh) * 2020-06-08 2020-09-15 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
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
CN113409414A (zh) * 2021-06-08 2021-09-17 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
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

Also Published As

Publication number Publication date
US11380025B2 (en) 2022-07-05
KR20190060054A (ko) 2019-06-03
KR102020221B1 (ko) 2019-09-10
US20200279410A1 (en) 2020-09-03

Similar Documents

Publication Publication Date Title
WO2019103354A1 (ko) 치과용 콘-빔 씨티의 산란선 보정방법 및 보정장치
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
CN100500094C (zh) 确定射线摄影成像的管电流调制曲线的方法和装置
JP5813994B2 (ja) 医用画像診断装置および画像再構成方法
CN102764137B (zh) 一种静态ct扫描仪及其散射x光子校正方法
US20100128948A1 (en) Forward projection for the generation of computed tomography images at arbitrary spectra
WO2012063957A1 (ja) 画像診断装置及び方法
WO2016003016A1 (ko) 굴곡진 가동성 빔 차단 어레이 및 이를 포함하는 cbct
CN103578082A (zh) 一种锥束ct散射校正方法及***
US6876718B2 (en) Scatter correction methods and apparatus
JP5804681B2 (ja) 放射線イメージング装置及び画像処理装置
CN117425433A (zh) 利用多个运动脉冲x射线源断层合成成像***的人工智能训练
Luo et al. Simulation on system configuration for stationary head CT using linear carbon nanotube x-ray source arrays
JP2002200072A (ja) Ｘ線ｃｔスキャナ
CN116982995A (zh) X射线透射、荧光与散射多模ct同时成像的装置及方法
CN104095643A (zh) 一种x射线成像装置
JP4703150B2 (ja) 放射線診断装置および減弱補正方法
WO2017003223A1 (ko) 영상 획득 장치 및 방법
CN111759335B (zh) 多能谱成像数据的获取方法、装置、电子设备、存储介质
WO2013054737A1 (ja) Ｘ線ｃｔ装置及び画像処理装置
JP7233865B2 (ja) Ｘ線ｃｔ装置及び補正方法
JP2022013686A (ja) Ｘ線ｃｔ装置、データ処理方法及びプログラム
KR20160061555A (ko) 동적 시준을 이용한 임의의 형상을 가지는 관심 영역에 대한 단층촬영 방법 및 시스템
Moore et al. Adaptive CT for high-resolution, controlled-dose, region-of-interest imaging
Wang et al. Image Restoration for Field Emission X-ray Source Array Based Radiographic Imaging

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18881251

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18881251

Country of ref document: EP

Kind code of ref document: A1