$\require{mediawiki-texvc}$

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.

[국내논문] NECT CT에서 DLIR 재구성기법 적용 시 화질분석
Image Quality Analysis when applying DLIR Reconstruction Techniques in NECT CT 원문보기

한국방사선학회 논문지 = Journal of the Korean Society of Radiology, v.16 no.4, 2022년, pp.387 - 394  

윤준 (동남보건대학교 방사선학과) ,  김현주 (동남보건대학교 방사선학과)

초록
AI-Helper 아이콘AI-Helper

갑상샘이 포함된 인체모형 팬텀을 이용하여 임상에서 많이 적용하는 NECK CT 프로토콜 중 관전압을 변화 적용하여 스캔 후 Raw data를 이용하여 FBP, ASIR-V, DLIR 재구성기법 적용 영상 획득하여 120 kVp FBP 재구성 영상 기준 DLIR 재구성기법의 유용성을 알아보았다. 그 결과 DLIR 재구성기법 적용 시 CTDIvol 이 감소하였으며, 특히 동일 관전압에서 FBP 적용보다 ASIR-V, DLIR 재구성 시 낮은 선량에서도 기준 스캔 조건으로 획득한 화질에 도달하였다. 또한, SNR, CNR 분석결과 DLIR 재구성 영상이 SNR, CNR 값이 높게 분석되었고, SSIM분석결과 100 kVp, DLIR 재구성 영상이 SSIM 지수가 1에 근사하게 측정되어 원본 영상에 대한 재구성 영상의 유사도가 높은 것으로 분석되었다(p>0.05). 본 연구결과를 활용하여 임상 영상 평가를 시행하여 보완하고 다양한 해부학적 구조에 적용 가능한 알고리즘을 추가 개발한다면 검사 선량을 현재 보다 낮추면서 화질을 유지할 수 있어 임상 적용 시 유용할 것으로 생각된다.

Abstract ▼ AI-Helper 아이콘AI-Helper

120 kVp FBP reconstruction image standard by using raw data after scanning by changing tube voltage among the NECK CT protocols that are broad applied in clinical practice using a human phantom including thyroid gland The usefulness of the DLIR reconstruction technique was investigated. As a result,...

주제어

#목 CT   #관전압   #심층학습영상재구성   #신호대잡음비   #대조도대잡음비   #구조적유사지수  

표/그림 (10)

AI 본문요약
AI-Helper 아이콘 AI-Helper

제안 방법

  • PBU-60 Whole Body Phantom을 적용 스캔한 NECK CT의 Raw 데이터에 FBP, ASIR-V와 DLIR을 적용 재구성 후 획득한 영상데이터를 활용하여 화질을 비교 분석하였다. 화질은 SNR, CNR, SSIM 분석을 적용하여 진행하였다.
  • 7 sec, Detector cover range 40, standard algorithm, smart mA(100∼450), 관전압은 80, 100, 120 kVp로 변화를 주어 스캔하였다. 이때, noise index는 9로 고정하였으며 선량 분석은 관전압 변화에 따라 스캔 후 표시된 선량 보고서(dose report)를 활용하여 CTDIvol을 비교하엿으며, 화질평가는 관전압의 변화에 따른 FBP, ASIR-V 30 % 그리고 DLIR의 TF-M을 적용하여 획득한 영상을 이용하였다. 화질 분석은 AW 4.
  • 적용한 프로토콜은 Helical mode 적용과 2.5 mm 단면두께, 2.5 mm 간격, 0.984 : 1 pitch, rotation time 0.7 sec, Detector cover range 40, standard algorithm, smart mA(100∼450), 관전압은 80, 100, 120 kVp로 변화를 주어 스캔하였다

데이터처리

  • 스캔 후 모니터에 Eq. (1)이 적용되어 계산 표시되는 선량 보고서를 활용하였으며 CTDIvol의 비교는 임상에서 NECK CT 검사 시 많이 적용하는 120 kVp를 기준으로 평균 선량 값의 차이를 비교하였다.
  • 이후 Eq. (2)를 적용하여 SNR을 비교 분석하였다.
  • 이후 Eq. (3)를 적용하여 CNR을 비교 분석하였다.
  • 이때 Eq. (4)를 적용하여 SSIM 분석을 실행하였다.
  • Co. USA) 프로그램을 이용하여 동일 부위에 ROI (Region of interesting)를 그려 SNR과 CNR 분석하였고, ICY 영상분석 프로그램을 이용하여 원본 영상에 대한 유사도를 SSIM분석을 통해 진행하였다. 실험에서 도출된 일부 정량적 수치는 SPSS 18.

이론/모형

  • PBU-60 Whole Body Phantom을 적용 스캔한 NECK CT의 Raw 데이터에 FBP, ASIR-V와 DLIR을 적용 재구성 후 획득한 영상데이터를 활용하여 화질을 비교 분석하였다. 화질은 SNR, CNR, SSIM 분석을 적용하여 진행하였다.
본문요약 정보가 도움이 되었나요?

참고문헌 (15)

  1. Y. Y. Lee, P. Van Tassel, C. Nauert, L. B. North, B. S. Jing, "Lymphomas of the head and neck: CT findings at initial presentation", American Journal of Roentgenology, Vol. 149, No. 3, pp. 575-581, 1987. http://dx.doi.org/10.2214/ajr.149.3.575 

    상세보기 crossref

  2. H. J. Kim, W. J. Chung. J. H. Cho, "A Study of Image Quality Improvement Through Changes in Posture and Kernel Value in Neck CT Scanning", Journal of the Korean Society of Radiology, Vol. 5, No. 2, pp. 59-66, 2011. https://doi.org/10.7742/jksr.2011.5.2.059 

    원문보기 상세보기 crossref

  3. M. Y. Park, S. E. Jung, "CT radiation dose and radiation reduction strategies", Journal of the Korean Medical Association, Vol. 54, No. 12, pp. 1262-1268, 2011. http://dx.doi.org/10.5124/jkma.2011.54.12.1262 

    상세보기 crossref

  4. S. Y. Cha, J. Y. Park, Y. K. Lee, J. H. Kim, J. H. Choi, "Quality of Image and Exposure Dose According to kVp, mA and Iterative Reconstruction in Computed Tomography", Journal of Radiological Science and Technology, Vol. 40, No. 3, pp. 385-391, 2017. https://doi.org/10.17946/JRST.2017.40.3.05 

    원문보기 상세보기 crossref

  5. J. M. Oh, H. J. Seo, Y. K. Kim, D. K. Han, "Evaluation of Image Quality and Radiation Dose for Filtered Back-Projection and Iterative Reconstruction Algorithm in Abdominal Computed Tomography Protocol", Journal of the Korean Society of Radiology, Vol. 15, No. 7, pp. 1065-1072, 2021. https://doi.org/10.7742/JKSR.2021.15.7.1065 

    원문보기 상세보기 crossref

  6. C. K. Park, K. S. Choo, J. H. Kim, K. J. Nam, J. W. Lee, J. Y. Kim, "Image quality and radiation dose in CT venography using model-based iterative reconstruction at 80 kVp versus adaptive statistical iterative reconstruction-V at 70 kVp", Korean Journal of Radiology, Vol. 20, No. 7, pp. 1167-1175, 2019. https://doi.org/10.3348/kjr.2018.0897 

    상세보기 crossref

  7. M. J. Willemink, P. B. Noel, "The evolution of image reconstruction for CT-from filtered back projection to artificial intelligence", European Radiology, Vol. 29, No. 5, pp. 2185-2195, 2019. http://dx.doi.org/10.1007/s00330-018-5810-7 

    상세보기 crossref

  8. L. L. Geyer, U. J. Schoepf, F. G. Meinel, J. W. Jr Nance, G. Bastarrika, J. A. Leipsic, N. S. Paul, M. Rengo, A. Laghi, C. N. De Cecco, "State of the Art: Iterative CT Reconstruction Techniques", Radiology, Vol. 276, No. 2. pp. 339-396, 2015. http://dx.doi.org/10.1148/radiol.2015132766 

    상세보기 crossref

  9. J. Y. Hong, S. H. Park, Y, J. Jung, "Artificial Intelligence Based Medical Imaging: An Overview", Journal of Radiological Science and Technology, Vol. 43, No. 3, pp. 195-208, 2020. https://doi.org/10.17946/JRST.2020.43.3.195 

    원문보기 상세보기 crossref

  10. K. Y. Lee, J. H. Kim, "Artificial Intelligence Technology Trends and IBM Watson References in the Medical Field", Korean Medical Education Review, Vol. 18, No. 2, pp. 51-57, 2016. http://dx.doi.org/10.17496/kmer.2016.18.2.51 

    원문보기 상세보기 crossref

  11. C. S. Ko, I. W. Cho, J. W. Kang, W. J. Jung, H. Song, "Study About Comparative Analysis and Usefulness By Quantitative Evaluation of Deep Learning Image Reconstruction and Adaptive Statistical Iterative Reconstruction-V in Aortic Vessels CT", Journal of Korean Society of Computed Tomographic Technology, Vol. 23, No. 2, pp. 9-19, 2021. 

    상세보기 crossref

  12. R. Miyajima, T. Fujibuch, Y. Miyachi, S. Tateishi, Y. Uno, K. Amakawa, H. Ohura, S. Orita, "Effective Techniques to Reduce Radiation Exposure to Medical Staff during Assist of X-ray Computed Tomography Examination", Journal of Nihon Hoshasen Gijutsu Gakkai, Vol. 74, No. 4, pp. 326-334, 2018. http://dx.doi.org/10.6009/jjrt.2018_JSRT_74.4.326 

    상세보기 crossref

  13. International Commission on Radiological Protection, "Managing Patient Dose in Computed tomography", ICRP Publication 87, Vol. 30, No. 4, pp. 1-41, 2000. 

  14. International Commission on Radiological Protection. "The 2007 Recommendations of the International Commission on Radiological Protection", ICRP Publication 103, Vol. 37, No. 2-4, pp. 1-399, 2007. 

  15. A. Qayyum, A. Benzinou, M. Mazher, M. Abdel-Nasser, D. Puig, "Automatic Segmentation of Head and Neck (H&N) Primary Tumors in PET and CT Images Using 3D-Inception-ResNet Model", Head and Neck Tumor Segmentation and Outcome Prediction, pp. 58-67, 2022. https://doi.org/10.1007/978-3-030-98253-9_4 

    crossref

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

저작권 관리 안내
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

맨위로