1 |
1
X선 단층 영상 또는 X선 단층합성 영상 데이터를 보간하는 방법에 있어서, 학습용 서브 샘플 사이노그램(sub-sampled sinogram)을 입력으로 하고, 학습용 풀 샘플 사이노그램(full sampled sinogram)을 기본 참 값(ground truth)으로 하는 기계학습(machine learning)을 통해 학습 모델 파라미터를 획득하는 단계; 기 설정된 복수의 각도 위치에서 X선 소스를 통해 대상체에 X선을 조사하고, 기설정된 복수의 각도 위치에서 검출된 X선을 통해 획득된 X선 프로젝션 데이터를 포함하는 스파스-샘플 사이노그램(sparsely-sampled sinogram)을 획득하는 단계; 상기 기계학습 모델을 이용하여 상기 스파스-샘플 사이노그램에 상기 학습 모델 파라미터를 적용하는 단계; 및상기 스파스-샘플 사이노그램 상에서 상기 대상체에 대하여 획득되지 않은 X선 프로젝션 데이터를 추정하여 밀집-샘플 사이노그램(densely-sampled sinogram)을 생성하는 단계;를 포함하는, 방법
|
2 |
2
제1 항에 있어서,상기 스파스-샘플 사이노그램에 상기 학습 모델 파라미터에 적용하기 전에 상기 스파스-샘플 사이노그램을 선형 보간(Linear Interpolation) 방법을 통해 보간하는 단계; 를 더 포함하는, 방법
|
3 |
3
제1 항에 있어서,상기 학습 모델 파라미터를 적용하는 단계는,상기 스파스-샘플 사이노그램을 적어도 하나의 이미지 패치(image patch)로 분할하는(cropping) 단계;복수의 레이어(layer)를 포함하는 기계학습 모델에 상기 분할된 적어도 하나의 이미지 패치를 입력시켜 상기 학습 모델 파라미터를 적용하는 단계; 및 상기 모델 파라미터를 적용하여 상기 스파스-샘플 사이노그램에서 획득되지 않은 X선 프로젝션 데이터를 추정하는 단계;를 포함하는, 방법
|
4 |
4
제3 항에 있어서,상기 복수의 각도 위치에서 학습된 X선 프로젝션 데이터의 값을, 최초에 입력으로 제공된 상기 스파스-샘플 사이노그램에 포함된 상기 복수의 각도 위치에 대응되는 각도에서 획득된 X선 프로젝션 데이터의 값과 동일하게 유지하는 단계; 를 더 포함하는, 방법
|
5 |
5
제4 항에 있어서,상기 학습을 통해 생성된 밀집-샘플 사이노그램과 상기 기계학습 모델에 입력된 상기 스파스-샘플 사이노그램의 차(difference)인 잔여 사이노그램(residual sinogram)을 획득하는 단계; 더 포함하는, 방법
|
6 |
6
제5 항에 있어서,상기 유지하는 단계는, 상기 복수의 각도 위치에서 학습된 X선 프로젝션 데이터의 값을 상기 스파스-샘플 사이노그램에 포함된 상기 복수의 각도 위치에 대응되는 각도 위치에서 획득된 X선 프로젝션 데이터의 값과 동일하게 유지하는 기본 프로젝션 데이터 유지 레이어(base projection data preserving layer)를 상기 잔여 사이노그램에 적용하는 단계; 및 상기 기본 프로젝션 데이터 유지 레이어가 적용된 잔여 사이노그램에 최초에 입력으로 제공된 상기 스파스-샘플 사이노그램을 더하는 단계; 를 포함하고, 상기 기본 프로젝션 데이터 유지 레이어는 상기 복수의 각도 위치에서 획득된 적어도 하나의 X선 프로젝션 데이터의 픽셀 값을 0으로 처리하는 레이어인, 방법
|
7 |
7
제5 항에 있어서,상기 유지하는 단계는, 상기 복수의 각도 위치에서 획득된 적어도 하나의 X선 프로젝션 데이터의 픽셀 값을 최초로 입력된 스파스-샘플 사이노그램에 포함된 상기 복수의 각도 위치에 대응되는 각도에서 획득된 X선 프로젝션 데이터의 값으로 치환하는 기본 프로젝션 데이터 유지 레이어를 적용하는 단계를 포함하고, 상기 기본 프로젝션 데이터 유지 레이어를 적용하는 단계는, 상기 잔여 사이노그램에 상기 최초로 입력된 스파스-샘플 사이노그램을 더하는 단계 이후에 수행되는, 방법
|
8 |
8
제1 항에 있어서,상기 스파스-샘플 사이노그램을 제1 방향으로 X선 디텍터의 센서 크기와 동일한 크기의 길이를 갖고, 상기 제1 방향과 수직하는 제2 방향으로 기설정된 폭(width)을 갖는 적어도 하나의 이미지 패치로 분할하는 단계; 를 더 포함하고, 상기 학습 모델 파라미터를 적용하는 단계는, 분할된 상기 적어도 하나의 이미지 패치 각각을 상기 기계학습 모델에 입력시켜 상기 학습 모델 파라미터를 적용하는, 방법
|
9 |
9
제1 항에 있어서,상기 밀집-샘플 사이노그램에 포함된 적어도 하나의 X선 프로젝션 데이터 중 동일한 각도 위치에서 획득된 X선 프로젝션 데이터들의 총합을 상기 기계학습 모델에 입력된 상기 스파스-샘플 사이노그램에서의 대응되는 각도에서 획득된 X선 프로젝션 데이터들의 총합과 동일하게 하는 단계; 를 더 포함하는, 방법
|
10 |
10
제9 항에 있어서,상기 획득된 X선 프로젝션 데이터들의 총합을 동일하게 하는 단계는, 상기 밀집-샘플 사이노그램 상에서 제1 각도 위치에서 획득된 X선 프로젝션 데이터들의 총합과 상기 제1 각도 위치와 인접한 제2 각도 위치에서 획득된 X선 프로젝션 데이터들의 총합에 기초하여 학습된 X선 프로젝션 데이터들의 값을 보간하는, 방법
|
11 |
11
제1 항에 있어서,상기 밀집-샘플 사이노그램을 상기 기계학습 모델의 입력으로 하여 상기 학습 모델 파라미터를 적용하고, 상기 학습 모델 파라미터를 통하여 학습하는 단계; 를 더 포함하고, 상기 학습된 밀집-샘플 사이노그램에 상기 학습 모델 파라미터를 적용하여 학습하는 단계를 복수 회 수행하여 상기 밀집-샘플 사이노그램의 해상도를 상승시키는, 방법
|
12 |
12
X선 단층 영상 데이터를 보간하는 CT 영상 장치 또는 단층합성영상 장치에 있어서, 기설정된 복수의 각도 위치에서 대상체에 X선을 조사하는 X선 소스;상기 X선 소스로부터 조사되어 상기 대상체를 투과한 X선을 검출하는 X선 디텍터;상기 X선 디텍터에서 검출된 X선으로부터 상기 대상체에 관한 스파스-샘플 사이노그램(sparsely-sampled sinogram)을 획득하는 데이터 획득부(Data Acquisition System, DAS); 및학습용 서브 샘플 사이노그램(sub-sampled sinogram)을 입력으로 하고, 학습용 풀 샘플 사이노그램(full sampled sinogram)을 기본 참 값(ground truth)으로 하는 기계학습 모델(machine learning model)을 이용한 학습(training)을 통해 학습 모델 파라미터를 획득하고, 상기 기계학습 모델을 이용하여 상기 데이터 획득부에서 획득한 상기 스파스-샘플 사이노그램에 상기 학습 모델 파라미터를 적용하며, 상기 스파스-샘플 사이노그램 상에서 상기 대상체에 관하여 획득되지 않은 X선 프로젝션 데이터를 추정하여 밀집-샘플 사이노그램(densely-sampled sinogram)을 생성하는 프로세서;를 포함하는, CT 영상 장치 또는 단층합성영상 장치
|
13 |
13
제12 항에 있어서,상기 프로세서는, 상기 스파스-샘플 사이노그램에 상기 학습 모델 파라미터에 적용하기 전에 상기 스파스-샘플 사이노그램을 선형 보간(Linear Interpolation) 방법을 통해 보간하는, CT 영상 장치 또는 단층합성영상 장치
|
14 |
14
제12 항에 있어서,상기 프로세서는, 상기 스파스-샘플 사이노그램을 적어도 하나의 이미지 패치(image patch)로 분할하고, 상기 분할된 적어도 하나의 이미지 패치 각각을 기계학습 모델에 입력시켜 상기 학습 모델 파라미터를 적용하고, 상기 학습을 통해 생성된 밀집-샘플 사이노그램을 획득하는, CT 영상 장치 또는 단층영상합성 장치
|
15 |
15
제14 항에 있어서,상기 프로세서는, 상기 복수의 각도 위치에서 획득된 X선 프로젝션 데이터의 값을 최초에 입력으로 제공된 상기 스파스-샘플 사이노그램에 포함된 상기 복수의 각도에 대응되는 각도에서 획득된 X선 프로젝션 데이터의 값과 동일하게 유지하는, CT 영상 장치 또는 단층영상합성 장치
|
16 |
16
제15 항에 있어서,상기 프로세서는, 상기 학습을 통해 생성된 밀집-샘플 사이노그램과 상기 기계학습 모델에 입력된 상기 스파스-샘플 사이노그램의 차(difference)인 잔여 사이노그램(residual sinogram)을 획득하는, CT 영상 장치 또는 단층영상합성 장치
|
17 |
17
제16 항에 있어서,상기 프로세서는, 상기 복수의 각도 위치에서 학습된 X선 프로젝션 데이터의 값을 상기 스파스-샘플 사이노그램에 포함된 상기 복수의 각도 위치에 대응되는 각도 위치에서 획득된 X선 프로젝션 데이터의 값과 동일하게 유지하는 기본 프로젝션 데이터 유지 레이어(base projection data preserving layer)를 상기 잔여 사이노그램에 적용하고, 상기 기본 프로젝션 데이터 유지 레이어가 적용된 잔여 사이노그램에 최초에 입력으로 제공된 상기 스파스-샘플 사이노그램을 더하고,상기 기본 프로젝션 데이터 유지 레이어는 상기 복수의 각도 위치에서 획득된 적어도 하나의 X선 프로젝션 데이터의 픽셀 값을 0으로 처리하는 레이어인, CT 영상 장치 또는 단층영상합성 장치
|
18 |
18
제16 항에 있어서,상기 프로세서는, 상기 복수의 각도 위치에서 획득된 적어도 하나의 X선 프로젝션 데이터의 픽셀 값을 최초로 입력된 스파스-샘플 사이노그램에 포함된 상기 복수의 각도 위치에 대응되는 각도에서 획득된 X선 프로젝션 데이터의 값으로 치환하는 기본 프로젝션 데이터 유지 레이어를 적용하고, 상기 기본 프로젝션 데이터 유지 레이어는 상기 잔여 사이노그램에 상기 최초로 입력된 스파스-샘플 사이노그램을 더한 이후에 수행되는, CT 영상 장치 또는 단층영상합성 장치
|
19 |
19
제12 항에 있어서,상기 프로세서는 상기 스파스-샘플 사이노그램을 제1 방향으로 X선 디텍터의 센서 크기와 동일한 크기의 길이를 갖고, 상기 제1 방향과 수직하는 제2 방향으로 기설정된 폭(width)을 갖는 적어도 하나의 이미지 패치로 분할하고, 상기 분할된 상기 적어도 하나의 이미지 패치 각각을 상기 기계학습 모델에 입력시켜 상기 학습 모델 파라미터를 적용하는, CT 영상 장치 또는 단층합성 영상 장치
|
20 |
20
제12 항에 있어서,상기 프로세서는, 상기 밀집-샘플 사이노그램에 포함된 적어도 하나의 X선 프로젝션 데이터 중 동일한 각도 위치에서 획득된 X선 프로젝션 데이터들의 총합을 상기 기계학습 모델에 입력된 상기 스파스-샘플 사이노그램에서의 대응되는 각도 위치에서 획득된 X선 프로젝션 데이터들의 총합과 동일하게 하는, CT 영상 장치 또는 단층합성 영상 장치
|
21 |
21
제20 항에 있어서,상기 프로세서는, 상기 밀집-샘플 사이노그램 상에서 제1 각도 위치에서 획득된 X선 프로젝션 데이터들의 총합과 상기 제1 각도 위치와 인접한 제2 각도 위치에서 획득된 X선 프로젝션 데이터들의 총합에 기초하여 학습된 X선 프로젝션 데이터들의 값을 보간하는, CT 영상 장치 또는 단층합성 영상 장치
|
22 |
22
제12 항에 있어서,상기 프로세서는, 상기 밀집-샘플 사이노그램을 상기 기계학습 모델의 입력으로 하여 상기 학습 모델 파라미터를 적용하고, 상기 학습 모델 파라미터를 통하여 학습하고, 상기 학습된 밀집-샘플 사이노그램에 상기 학습 모델 파라미터를 적용하여 학습하는 단계를 복수 회 수행하여 상기 밀집-샘플 사이노그램의 해상도를 상승시키는, CT 영상 장치 또는 단층합성 영상 장치
|
23 |
23
컴퓨터로 읽을 수 있는 저장 매체를 포함하는 컴퓨터 프로그램 제품에 있어서, 상기 저장 매체는,학습용 서브 샘플 사이노그램(sub-sampled sinogram)을 입력으로 하고, 학습용 풀 샘플 사이노그램(full sampled sinogram)을 기본 참 값(ground truth)으로 하는 기계학습 모델(machine learning model)을 이용한 학습(training)을 통해 학습 모델 파라미터를 획득하는 단계; X선 소스를 기설정된 복수의 각도 위치에서 검출된 X선을 통해 획득된 X선 프로젝션 데이터를 포함하는 스파스-샘플 사이노그램(sparsely-sampled sinogram)을 획득하는 단계; 상기 기계학습 모델을 이용하여 상기 스파스-샘플 사이노그램에 상기 학습 모델 파라미터를 적용하는 단계; 및상기 스파스-샘플 사이노그램 상에서 상기 대상체에 대하여 획득되지 않은 X선 프로젝션 데이터를 추정하여 밀집-샘플 사이노그램(densely-sampled sinogram)을 생성하는 단계;를 수행하는 명령어들을 포함하는, 컴퓨터 프로그램 제품
|