$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

컴퓨터 단층영상에서 사이노그램 정규화를 이용한 금속 영상왜곡 저감 방법의 이론적 고찰

Theoretical Investigation of Metal Artifact Reduction Based on Sinogram Normalization in Computed Tomography

Progress in Medical Physics = 의학물리, v.24 no.4, 2013년, pp.303 - 314  

전호상 (양산부산대학교병원 방사선종양학과) ,  윤한빈 (부산대학교 기계공학부) ,  남지호 (양산부산대학교병원 방사선종양학과) ,  김호경 (부산대학교 기계공학부)

초록
AI-Helper 아이콘AI-Helper

금속 인공물을 포함한 인체 단층영상의 경우 금속 영상왜곡으로 인한 화질의 저하가 매우 심각하다. 금속 영상왜곡 저감을 위한 많은 방법 중 사이노그램 정규화를 통해 평탄한 사이노그램을 제공하여 금속 궤적을 쉽게 찾고, 단순 선형 보간으로 금속물을 대체하는 두께 및 배경 정규화 방법이 최근 소개되었다. 본 연구에서는 두 방법의 이론적 배경을 개발하였으며, 시뮬레이션을 통해 금속 인공 물질의 크기 및 개수에 따른 두 방법의 보정 결과를 비교하였다. 개발한 이론에 의하면 배경 정규화 방법이 두께 정규화 방법에 비해 피검사체 배경 구성 물질의 개수 및 종류에 상관없이 거의 평탄한 사이노그램을 제공하였으며, 시뮬레이션을 통해 이를 증명하였다. 금속 인공 물질의 다양한 크기 및 개수에 대한 두 방법의 보정 결과 역시 배경 정규화 방법이 두께 정규화 방법에 비해 훨씬 나은 보정 결과를 보여 주었다. 배경 정규화 방법은 영상분할 과정을 요구하는데 본 연구에서는 이 과정을 생략하더라도 비록 영상왜곡 잔상이 미약하게 나타나긴 하지만, 두께 정규화 방법에 비해 훨씬 나은 보정 결과를 제공함을 확인하였다. 영상분할 과정을 생략한 배경 정규화 방법은 매우 간단하며 단순 선형 보간으로도 금속 궤적에 의해 손실된 데이터의 기술이 충분하고, 또한 사용자의 개입이 없는 알고리즘화가 가능하기 때문에 기존 컴퓨터단층영상 시스템에 쉽게 탑재되어 활용될 수 있을 것으로 기대된다.

Abstract AI-Helper 아이콘AI-Helper

Image quality of computed tomography (CT) is very vulnerable to metal artifacts. Recently, the thickness and background normalization techniques have been introduced. Since they provide flat sinograms, it is easy to determine metal traces and a simple linear interpolation would be enough to describe...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 배경 정규화 방법이 두께 정규화 방법에 비해 피검사체 배경 구성 물질의 종류 및 개수와는 상관없이 보다 평탄한 정규화 사이노그램을 제공함을 증명하였으며, 금속 물질의 크기 및 개수 등 다양한 조건에서 훨씬 우수한 금속 영상 왜곡 보정 결과를 제공함을 시뮬레이션을 통해 확인하였다. 더불어 기존 배경 정규화 방법에서 요구하는 영상분할과정을 생략하더라도 비록 영상왜곡 잔상이 미약하게 나타나긴 하지만, 두께 정규화 방법에 비해 훨씬 나은 보정 결과를 제공함을 본 연구에서 제시하였다. 영상분할 과정을 생략한 배경 정규화 방법은 매우 간단하며 단순 선형 보간으로도 손실된 데이터의 기술이 충분하고, 또한 사용자의 개입이 없는 알고리즘화가 가능하기 때문에 기존 CT 시스템에 쉽게 탑재되어 활용될 수 있을 것으로 기대된다.
  • 본 연구에서는 위의 두 정규화 방법에 대한 이론적인 배경을 개발하였으며, 이 논문에서 소개하고자 하였다. 더불어 이론에 바탕한 시뮬레이션을 통해 두 정규화 방법을 비교하여 금속 영상왜곡 저감에 더 나은 방법이 무엇인지 고찰하고자 하였다. 정규화를 통한 금속 영상왜곡 저감 방법은 추가적인 측정이 필요 없는 간단명료한 방법이기 때문에 구현 알고리즘 역시 간단하며, 따라서 경제적으로도 매우 우수한 방법이다.
  • 역정규화 사이노그램 프로파일을 살펴보면 손실된 데이터 주변의 값 차이가 작은 경우에는 두께 정규화와 유사하며, 큰 경우에는 기존 배경 정규화와 유사함을 알 수 있다. 따라서 본 연구에서는 영상분할 과정을 생략한 배경 정규화 보정 방법도 충분히 활용 가능함을 확인하였고, 그 유용성을 제시하고자 한다.
  • 금속 물체의 크기에 의한 두 정규화 방법의 효과를 살펴보기 위해 타원체인 Shepp-Logan 팬텀의 장축 길이에 대해 2∼5%의 반지름을 가지는 금속 물체를 고려하였다. 또한 최대 4개의 금속 물체의 배치함으로써 금속 물체의 분포 및 개수에 의한 영향도 살펴보고자 하였다.
  • 본 연구에서는 시뮬레이션을 통해 위에서 기술한 두 가지의 정규화 금속 영상왜곡 저감 방법의 성능을 비교해 보았다. 피검사체를 위해 Shepp-Logan 팬텀을 이용하였으며,15) 가상의 금속 물체를 팬텀 내부에 배치하였다.
  • 본 연구에서는 위의 두 정규화 방법에 대한 이론적인 배경을 개발하였으며, 이 논문에서 소개하고자 하였다. 더불어 이론에 바탕한 시뮬레이션을 통해 두 정규화 방법을 비교하여 금속 영상왜곡 저감에 더 나은 방법이 무엇인지 고찰하고자 하였다.

가설 설정

  • 가정 1) 금속 물질 내의 μm은 위치에 관계없이 상수이다.
  • 가정 2) 금속 물질의 크기가 피검사체에 비해 매우 작다. 즉 L(t,θ)>>l(t,θ).
  • 3a에서 보인 바와 같이 세 물질(water, bone, gold)로 이루어진 간단한 팬텀을 구성하였으며, 이에 대해 두 정규화 방법으로 사이노그램 q0(t,θ)와 q1(t,θ)을 생성하였다. 각 물질은 원형으로 구성하였으며, 각각의 반지름은 rwater=200, rbone=100, rAu=20 mm로 가정하였다. Water와 bone의 중심은 t-s 좌표계의 원점에, 그리고 gold의 중심은 (t0=120, 0)에 위치시켰다.
  • 피검사체를 위해 Shepp-Logan 팬텀을 이용하였으며,15) 가상의 금속 물체를 팬텀 내부에 배치하였다. 금속 물체는 원으로 가정하였으며, 다양한 보간 방법과 정규화 방법의 결과를 대비해 보았다. 금속 물체의 크기에 의한 두 정규화 방법의 효과를 살펴보기 위해 타원체인 Shepp-Logan 팬텀의 장축 길이에 대해 2∼5%의 반지름을 가지는 금속 물체를 고려하였다.
  • Water와 bone의 중심은 t-s 좌표계의 원점에, 그리고 gold의 중심은 (t0=120, 0)에 위치시켰다. 엑스선 에너지를 60 keV로 가정하고 이때 각 물질에 대한 선형감쇠계수 값을 사용하였다. 선형감쇠계수 값은 NIST (National Institute of Standards and Technology, Gaithersburg, MD, US)로부터 취하였다.
  • 이차원 평행빔으로 가정하였으며, 단층 영상재구성은 필터링 후 역투사법을 이용하였고, 가장 단순한 ramp 필터를 채택하였다. 영상재구성의 구현은 Mathworks 사의 Matlab(Version R2012)을 이용하였으며 quad-core CPU (Intel i7, 2.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
금속 영상왜곡 현상 저감 연구는 언제 처음 소개되었나? 1981년 처음으로 금속 영상왜곡 현상 저감에 관한 연구 논문이4) 소개된 이후로 지금까지 다양한 방법이 개발되었는데, 크게 보간(interpolation) 방법,5) 반복적(iterative) 또는 통계적(statistical) 방법,6,7) 그리고 필터링(filtering) 방법8) 등으로 구분할 수 있다. 보간 방법은 사이노그램(sinogram)에서 금속 물체의 궤적을 찾은 후 이를 손실된 데이터로 가정하고 주변의 값으로 보간하여 손실된 데이터를 복원하는 방법이다.
보간 방법이란? 1981년 처음으로 금속 영상왜곡 현상 저감에 관한 연구 논문이4) 소개된 이후로 지금까지 다양한 방법이 개발되었는데, 크게 보간(interpolation) 방법,5) 반복적(iterative) 또는 통계적(statistical) 방법,6,7) 그리고 필터링(filtering) 방법8) 등으로 구분할 수 있다. 보간 방법은 사이노그램(sinogram)에서 금속 물체의 궤적을 찾은 후 이를 손실된 데이터로 가정하고 주변의 값으로 보간하여 손실된 데이터를 복원하는 방법이다. 반복적 또는 통계적 방법은 대수적 영상재구성 기법(algebraic image reconstruction, ART) 또는 최대우도 기대값최대화(maximum likelihood expectation maximization, ML-EM) 기법 등을 이용하여 금속 영상왜곡 현상을 줄이는 방법이다.
대수적 영상재구성 기법은 무엇을 가정하는가? 반복적 또는 통계적 방법은 대수적 영상재구성 기법(algebraic image reconstruction, ART) 또는 최대우도 기대값최대화(maximum likelihood expectation maximization, ML-EM) 기법 등을 이용하여 금속 영상왜곡 현상을 줄이는 방법이다. ART의 경우 투사선 상에 놓인 모든 엑스선 광자들이 투사선을 따라 광자 개수의 손실 없이 검출기의 특정 위치에 도달하는 것을 가정하고 있는 반면, ML-EM 기법은 광자 개수의 불규칙한 변화까지 고려하기 때문에 보다 개선된 영상을 획득할 수 있다. 최근에는 이와 같이 엑스선 광자의 통계물리를 비롯하여 투사 데이터를 획득하는 과정에서 야기되는 다양한 물리적 인자를 영상재구성 시 고려하고자 하는 모델기반 영상재구성(model-based image reconstruction) 알고리즘에 대한 연구가 큰 주목을 받고 있다.
질의응답 정보가 도움이 되었나요?

참고문헌 (17)

  1. Parker RP, Hobday PA, Cassell KJ: The direct use of CT numbers in radiotherapy dosage calculations for inhomogeneous media. Phys Med Biol 24(4):802-809 (1979) 

  2. Guerrero ME, Jacobs R, Loubele M, et al: State-ofthe-art on cone beam CT imaging for preoperative planning of implant placement. Clin Oral Invest 10(1):1-7 (2006) 

  3. Cho MK, Kim HK, Youn H, Kim SS: A feasibility study of digital tomosynthesis for volumetric dental imaging. J Instrum 7(3):P03007 (2012) 

  4. Glover GH, Pelc NJ: An algorithm for the reduction of metal clip artifacts in CT reconstructions. Med Phys 8(6):799-807 (1981) 

  5. Kalender WA, Hebel R, Ebersberger J: Reduction of CT artifacts caused by metallic implants. Radiology 164(2):576-577 (1987) 

  6. Wang G, Snyder DL, O'Sullivan JA, et al: Iterative deblurring for CT metal artifact reduction. IEEE Trans Med Imaging 15(5):657-664 (1996) 

  7. De Man B, Nuyts J, Dupont P, et al: An iterative maximum-likelihood polychromatic algorithm for CT. IEEE Trans Med Imaging 20(10):999-1008 (2001) 

  8. KachelrieB M, Watzke O, Kalender WA: Generalized multi-dimensional adaptive filtering for conventional and spiral single-slice, multi-slice, and cone-beam CT. Med Phys 28(4):475-490 (2001) 

  9. Nuyts J, De Man B, Fessler JA, et al: Modelling the physics in the iterative reconstruction for transmission computed tomography. Phys Med Biol 58(12):R63-R96 (2013) 

  10. Park JC, Song B, Kim JS, et al: Fast compressed sensing-based CBCT reconstruction using Barzilai-Borwein formulation for application to on-line IGRT. Med Phys 39:1207-1217 (2012) 

  11. Choi J, Kim KS, Kim MW, et al: Sparsity driven metal part reconstruction for artifact removal in dental CT. J X-ray Sci Tech 19(4):457-475 (2011) 

  12. Muller J, Buzug TM: Spurious structures created by interpolation-based CT metal artifact reduction. Proc SPIE 7258:72581Y(8pp) (2009) 

  13. Muller J, Buzug TM: Intersection Line Length Normalization in CT Projection Data. Bildverarbeitung fur die Medizin, Berlin (2008) pp. 77-81 

  14. Meyer E, Raupach R, Lell M, Schmidt B, KachelrieB M: Normalized metal artifact reduction (NMAR) in computed tomography. Med Phys 37(10):5482-5493 (2010) 

  15. Jain AK: Fundamentals of Digital Image Processing. Prentice-Hall Inc, Englewood Cliffs, NJ (1989), pp. 438-439 

  16. Otsu N: A threshold selection method from gray-level histograms. IEEE Trans Syst Man Cybern 9(1):62-66 (1979) 

  17. Sezgin M, Sankur B: Survey over image thresholding techniques and quantitative performance evaluation. J Electron Imaging 13(1):146-165 (2004) 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트