[논문]소아 흉부 CT 검사에서 재구성 기법에 따른 영상의 유용성 평가

김구; 곽종혁; 이승재

doi:10.7742/jksr.2023.17.3.285

소아 흉부 CT 검사에서 재구성 기법에 따른 영상의 유용성 평가
Evaluation of the usefulness of Images according to Reconstruction Techniques in Pediatric Chest CT 원문보기

한국방사선학회 논문지 = Journal of the Korean Society of Radiology, v.17 no.3, 2023년, pp.285 - 295

김구 (동서대학교 방사선학과) , 곽종혁 (동서대학교 방사선학과) , 이승재 (동서대학교 방사선학과)

초록
AI-Helper

기술의 발전으로 CT 검사에 있어 환자가 받는 피폭선량을 줄이기 위한 노력은 새로운 재구성 기법 개발과 함께 계속 진행되고 있다. 최근에는 반복적 재구성 기법의 한계를 극복하기 위해 딥러닝 재구성 기법이 개발되었다. 본 연구는 소아 흉부 CT 영상에서 재구성 기법에 따른 영상의 유용성을 평가하였다. 환자 실험은 2021년 1월 2일부터 2022년 12월 31일까지 경상남도 P 병원에서 흉부 조영 CT 검사를 받은 소아 환자 중 85명을 대상으로 연구를 진행하였다. 팬텀 실험에 사용된 팬텀은 Pediatric Whole Body Phantom PBU-70이다. 검사 후 FBP, ASIR-V(50%), DLIR(TF-Medium,High)로 영상을 재구성했고, 동일한 크기의 ROI를 설정하여 HU값, SD값을 획득하여 SNR, CNR 값을 산출하여 영상을 평가하였다. 그 결과 DLIR의 TF-H가 모든 실험에서 ASIR-V(50%)와 TF-M에 비해 잡음 값이 가장 낮았으며, SNR과 CNR의 값이 가장 높았다. 소아 흉부 CT 검사에서 DLIR이 적용된 TF 영상이 ASiR-V 영상보다 잡음이 적었고, CNR과 SNR은 높은 것으로 나타났으며 DLIR이 적용되면 기존의 재구성법에 비해 영상의 질이 더 향상될 것으로 판단된다.

Abstract ▼ AI-Helper

With the development of technology, efforts to reduce the exposure dose received by patients in CT scans are continuing with the development of new reconstruction techniques. Recently, deep learning reconstruction techniques have been developed to overcome the limitations of repetitive reconstruction techniques. This study aims to evaluate the usefulness of images according to reconstruction techniques in pediatric chest CT images. Patient study conducted a study on 85 pediatric patients who underwent chest CT scan at P-Hospital in Gyeongsangnam-do from January 1, 2021 to December 31, 2022. The phantom used in the Phantom Study is the Pediatrics Whole Body Phantom PBU-70. After the test, the images were reconstructed with FBP, ASIR-V (50%) and DLIR (TF-Medium, High), and the images were evaluated by obtaining SNR and CNR values by setting ROI of the same size. As a result, TF-H of deep learning reconstruction techniques had the lowest noise value compared to ASIR-V (50%) and TF-M in all experiments, and SNR and CNR had the highest values. In pediatric chest CT scans, TF images with deep learning reconstruction techniques were less noisy than ASiR-V images with adaptive statistical iterative reconstruction techniques, CNR and SNR were higher, and the quality of images was improved compared to conventional reconstruction techniques.

주제어

표/그림 (11)

그림 Fig. 1. Pediatric Whole Body Phantom PBU-70.
그림 Fig. 2. Patient(upper) and Phantom(low) study of ROI.
그림 Fig. 3. Statistical power analysis using G^*power.
표 Table 1. The Results of Patient HU Analysis
표 Table 2. The Results of Patient SD Analysis
표 Table 3. The Results of Patient SNR Analysis
표 Table 4. The Results of Patient CNR Analysis
표 Table 5. The Results of Phantom HU Analysis
표 Table 6. The Results of Phantom SD Analysis.
표 Table 7. The Results of Phantom SNR Analysis
표 Table 8. The Results of Phantom CNR Analysis

AI 본문요약
AI-Helper

문제 정의

본 연구는 현재 임상에서 사용되고 있는 영상 재구성 방법인 ASiR-V와 새롭게 도입된 DLIR에 따른 소아의 흉부 CT 검사에서 영상의 질을 신호대잡음비(Signal to Noise Ratio; SNR) 및 대조도대 잡음비(Contrast to Noise Ratio; CNR)를 비교·분석하여 영상의 정량적 평가를 통한 DLIR의 유용성을 평가하고자 한다.

제안 방법

ASiR-V 50% DRL M, H로 재구성된 영상에 설정된 ROI로부터 구해진 CT number와 noise를 다음식에 대입하여 CNR을 계산하였다. 이후 각각 재구성된 영상에서 구해진 CNR 값의 평균을 산출하여 비교하였다.
검사 방법은 환자 실험과 팬텀 실험 모두 본원에서 사용하는 소아 흉부 CT 프로토콜로 검사를 진행하였다. 촬영 인자에서 관전압은 kV assist, mA는 Smart mA + ODM(40-500mA), Noise Index는 24, 겐트리 회전시간은 0.

대상 데이터

본 연구에 사용된 장비는 256 multi-slice CT(Revolution GE Healthcare, Wisconsin USA)이며, 환자실험과 팬텀 실험 두 가지 방법으로 진행하였다. 2021년 1월 2일부터 2022년 12월 31일까지 경상남도 P 병원에서 진료를 받은 5 ~ 7세 환자들로 흉부조영 CT 검사를 받은 환자 중 85명을 대상으로 연구를 진행하였다. 성별은 남자 43명 여자 42명, 평균 몸무게는 22.
본 연구에 사용된 장비는 256 multi-slice CT(Revolution GE Healthcare, Wisconsin USA)이며, 환자실험과 팬텀 실험 두 가지 방법으로 진행하였다. 2021년 1월 2일부터 2022년 12월 31일까지 경상남도 P 병원에서 진료를 받은 5 ~ 7세 환자들로 흉부조영 CT 검사를 받은 환자 중 85명을 대상으로 연구를 진행하였다.
2021년 1월 2일부터 2022년 12월 31일까지 경상남도 P 병원에서 진료를 받은 5 ~ 7세 환자들로 흉부조영 CT 검사를 받은 환자 중 85명을 대상으로 연구를 진행하였다. 성별은 남자 43명 여자 42명, 평균 몸무게는 22.01 kg이었다.
팬텀 실험에 사용된 팬텀은 Fig. 1과 같이 조직 등 가 물질로 이루어진 Pediatric Whole Body Phantom PBU-70 (Kyoto Kagaku Co.

데이터처리

통계 분석은 PASW(PASW statistics, ver. 21.0, SPSS, Chicago, USA)을 사용하여 각 재구성법의 HU 값과 Noise 값은 기술통계를 시행하였으며. 각 재구성법의 SNR과 CNR은 일원배치 분산분석(ONE-WAY ANOVA)을 시행한 후, 유의한 차이는 Scheff test의 사후분석(post hoc analysis)으로 확인하였다.
0, SPSS, Chicago, USA)을 사용하여 각 재구성법의 HU 값과 Noise 값은 기술통계를 시행하였으며. 각 재구성법의 SNR과 CNR은 일원배치 분산분석(ONE-WAY ANOVA)을 시행한 후, 유의한 차이는 Scheff test의 사후분석(post hoc analysis)으로 확인하였다. 신뢰구간(Confidence interval, CI)은 95%이며 유의수준은 0.
ASiR-V 50% DRL M, H로 재구성된 영상에 설정된 ROI로부터 구해진 CT number와 noise를 다음식에 대입하여 CNR을 계산하였다. 이후 각각 재구성된 영상에서 구해진 CNR 값의 평균을 산출하여 비교하였다.
(1)에 대입하여 SNR을 계산하였다. 이후 각각 재구성된 영상에서 구해진 SNR 값의 평균을 산출하여 비교하였다.

성능/효과

1 프로그램을 이용하여 산출하였으며, Fig. 3에서 보는 바와 같이 예상 표본 수는 일원배치 분산분석 검증을 시행하기 위한 중간 정도의 효과 크기 0.5, 검정력 95%, 유의수준 0.05로 하였으며 종속변수의 수를 3으로 하였을 때 총 표본수가 253으로 계산되었고, 본 연구에서는 총 표본 수가 252로 정규성을 만족하였다. 통계 분석은 PASW(PASW statistics, ver.
05) Scheff test 사후 검정 결과는 TF-H는 TF-M과 ASiR-V 50%보다 높았고 TF-M은 ASiR-V 50%보다 높았고, Table 4에 나타내었다. 각 재구성 기법에 따른 CNR 차이 분석 결과는 ASiR-V 50% 영상보다 TF-M 15% TF-H 42% 높게 산출되었다.
05) Scheff test 사후 검정 결과는 TF-H는 TF-M과 ASiR-V 50%보다 높았고 TF-M은 ASiR-V 50%보다 높게 산출되었으며, Table 8에 나타내었다. 각 재구성 기법에 따른 CNR 차이 분석 결과는 ASiR-V 50% 영상보다 TF-M 28% TF-H 63% 높았다.
각 재구성 기법에 따른 HU 값은 Back ground 영상에서 FBP –997.98, ASiR-V 50% –998.12, TF-M –998.02, TF-H –997.96으로 측정되었다
각 재구성 기법에 따른 SD 값은 Back ground 영상에서 FBP 13.22, ASiR-V 50% 10.62, TF-M 8.55, TF-H 6.01로 측정되었으며, Heart 영상에서는 FBP 20.08, ASiR-V 50% 13.35, TF-M 11.11, TF-H 8.34, Muscle 영상에서는 FBP 17.16, ASiR-V 50% 11.41 TF-M 9.02, TF-H 6.65, Bone의 영상에서는 FBP 22.15, ASiR-V 50% 17.27, TF-M 13.99, TF-H 11.02 로 측정되었으며, Table 6에 나타내었다. 각 재구성 기법에 따른 SD 값은 Back ground 영상에서 FBP보다 ASiR-V 50%에서 19%, TF-M에서 35% TF-H 55%에서 낮았으며, Heart 영상에서는 ASiR-V 50% 34% TF-M 45% TF-H 58% 낮았고, Muscle 영상에서는 ASiR-V 50% 34% TF-M 48% TF-H 62% 낮았고, Bone의 영상에서는 ASiR-V 50% 22% TF-M 37% TF-H 50% 낮게 측정되었다.
02 로 측정되었으며, Table 6에 나타내었다. 각 재구성 기법에 따른 SD 값은 Back ground 영상에서 FBP보다 ASiR-V 50%에서 19%, TF-M에서 35% TF-H 55%에서 낮았으며, Heart 영상에서는 ASiR-V 50% 34% TF-M 45% TF-H 58% 낮았고, Muscle 영상에서는 ASiR-V 50% 34% TF-M 48% TF-H 62% 낮았고, Bone의 영상에서는 ASiR-V 50% 22% TF-M 37% TF-H 50% 낮게 측정되었다.
12로 측정되었고, Table 2에 나타내었다. 각 재구성 기법에 따른 SD 값은 Back ground 영상에서 FBP에 비해 ASiR-V 50% 22%, TF-M 34% TF-H 55% 낮았으며, Aorta arch 영상에서는 ASiR-V 50% 29% TF-M 43%, TF-H 57% 낮았고, Muscle 영상에서는 ASiR-V 50% 28% TF-M 34% TF-H 48% 낮게 측정되었다.
각 재구성 기법에 따른 SNR 차이 분석 결과는 ASiR-V 50% 영상보다 Back ground 영상에서 TF-M 19% TF-H 73% 높았고 Heart 영상에서는 TF-M 30% TF-H 63% 높았고 Muscle 영상에서는 TF-M 29% TF-H 57% 높았고, Bone의 영상에서는 TF-M 26% TF-H 61% 높았다.
05) Scheff test 사후 검정 결과는 TF-H는 TF-M과 ASiR-V 50%보다 높았고 TF-M은 ASiR-V 50%보다 높았고, Table 3에 나타내었다. 각 재구성 기법에 따른 SNR 차이 분석 결과는 ASiR-V 50% 영상보다 Back ground 영상에서 TF-M 21% TF-H 74% 높았고 Aorta arch 영상에서는 TF-M 21% TF-H 64% 높았고 Muscle 영상에서는 TF-M 12% TF-H 46% 높았다.
또 같은 선량을 사용하여 CT 검사를 할 경우 DLIR이 적용된 TF-H,TF-M으로 영상을 재구성할 경우, ASiR–V 보다 우수한 질의 영상을 획득하고, 환자의 피폭 선량은 감소시킬 수 있을 것으로 판단된다.
본 연구에서는 소아의 흉부 CT 검사에서 딥러닝 이미지 재구성법 DLIR이 적용된 TF-H, M 영상이 ASiR–V 영상보다 HU 값의 변화가 적고, 잡음이 감소하였으며, SNR과 CNR은 증가하여 영상의 질이 더 우수한 것으로 나타났다
여러 연구에서 결과에서 확인할 수 있듯이 DLIR을 사용하여 영상을 획득했을 시 기존의 영상보다 진단적 가치가 높은 영상을 획득할 수 있다. 또 TF-H와 TF-M의 SNR 값에서 ASiR-V 50% 보다 부위별로 많게는 61% 적게는 29%의 높은 값의 결과가 나왔고 CNR에서도 그와 비슷한 수치의 높은 값이 나왔다.

후속연구

이 연구의 제한점은 첫째, 환자의 검사에서 정확한 BMI에 따른 검사를 못 하였다. CT 검사는 환자의 체형에 따라서 검사 조건이 달라지기 때문에 좀 더 세분화해서 다양한 대조군을 설정했으면 더 많은 데이터를 획득할 수 있었을 것이다. 둘째, 실험의 대상이 5세에서 7세까지의 좁은 대조군으로 실험을 한 것으로 더 다양한 나이의 범위로 진행했으면 더 다양한 데이터를 획득할 수 있었을 것이다.
CT 검사는 환자의 체형에 따라서 검사 조건이 달라지기 때문에 좀 더 세분화해서 다양한 대조군을 설정했으면 더 많은 데이터를 획득할 수 있었을 것이다. 둘째, 실험의 대상이 5세에서 7세까지의 좁은 대조군으로 실험을 한 것으로 더 다양한 나이의 범위로 진행했으면 더 다양한 데이터를 획득할 수 있었을 것이다. 셋째, 팬텀을 이용한 평가에서는 CNR, SNR 값으로 단순 비교만 하였기 때문에 Noise-Power Spectrum 등의 평가도 필요하다고 사료 된다.
이 연구의 제한점은 첫째, 환자의 검사에서 정확한 BMI에 따른 검사를 못 하였다. CT 검사는 환자의 체형에 따라서 검사 조건이 달라지기 때문에 좀 더 세분화해서 다양한 대조군을 설정했으면 더 많은 데이터를 획득할 수 있었을 것이다.
셋째, 팬텀을 이용한 평가에서는 CNR, SNR 값으로 단순 비교만 하였기 때문에 Noise-Power Spectrum 등의 평가도 필요하다고 사료 된다. 지금도 소프트웨어의 기술이 더 발전하고 있고 CT에서 인공지능 기술의 발전으로 적은 선량으로 진단적 가치가 더욱 높은 영상을 획득할 수 있을 것으로 사료된다.

참고문헌 (31)

Y. Sagara, A. K. Hara, W. Pavlicek, A. C. Silva, R.？G. Paden, Q. Wu, "Abdominal CT: comparison of？low-dose CT with adaptive statistical iterative？reconstruction and routine-dose CT with filtered back？projection in 53 patients", American Journal of？Roentgenology, Vol. 195, No. 3, pp. 713-719, 2010.？https://doi.org/10.2214/ajr.09.2989

상세보기
A. Sodickson, P. F. Baeyens, K. P. Andriole,？"Recurrent CT, cumulative radiation exposure, and？associated radiation-induced cancer risks from CT of？adults", Radiology, Vol. 251, No. 1, pp. 175-184,？2009. https://doi.org/10.1148/radiol.2511081296

상세보기
J. Y. Hong, K. Han, J. H. Jung, J. S. Kim,？"Association of exposure to diagnostic low-dose？ionizing radiation with risk of cancer among youths？in South Korea", JAMA network open, Vol. 2, No.？9, pp. e1910584, 2019.？https://doi.org/10.1001/jamanetworkopen.2019.10584

상세보기
R. V. Gottumukkala, M. K. Kalra, A. Tabari, A.？Otrakji, M. S. Gee, "Advanced CT techniques for？decreasing radiation dose, reducing sedation？require？ments, and optimizing image quality in？children", Radiographics, Vol. 39, No. 3, pp.？709-726, 2019. https://doi.org/10.1148/rg.2019180082

상세보기
Y. Nagayama, S. Oda, T. Nakaura, A. Tsuji, J.？Urata, M. Furusawa, D. Utsunomiya, Y. Funama, M.？Kidoh, Y. Yamashita, "Radiation Dose Reduction at？Pediatric CT: Use of Low Tube Voltage and Iterative？Reconstruction", Radiographics, Vol. 38, No. 5, pp.？1421-1440, 2018.？https://doi.org/10.1148/rg.2018180041

상세보기
B. Schulz, M. Beeres, B. Bodelle, R. Bauer, F.？Al-Butmeh, A. Thalhammer, T. J. Vogl, J. M. Kerl,？"Performance of iterative image reconstruction in CT？of the paranasal sinuses: a phantom study", American？Journal of Neuroradiology, Vol. 34, No. 5, pp.？1072-1076, 2013. https://doi.org/10.3174/ajnr.a3339

상세보기
M. Lurz, M. M. Lell, W. Wuest, A. Eller, M.？Scharf, M. Uder, M. S. May, "Automated tube？voltage selection in thoracoabdominal computed？tomography at high pitch using a third-generation？dual-source scanner: Image quality and radiation dose？performance", Investigative Radiology, Vol. 50, No.？5, pp. 352-360, 2015.？https://doi.org/10.1097/rli.0000000000000133

상세보기
A. Mozaffary, T. A. Trabzonlu, D. Kim, V.？Yaghmai, "Comparison of tin filter-based spectral？shaping CT and low-dose protocol for detection of？urinary calculi", American Journal of Roentgenology,？Vol. 212, No. 4, pp. 808-814, 2019.？https://doi.org/10.2214/ajr.18.20154

상세보기
A. Parakh, M. Kortesniemi, S. T. Schindera, "CT？radiation dose management: A comprehensive？optimization process for improving patient safety",？Radiology, Vol. 280, No. 3, pp. 663-673, 2016.？https://doi.org/10.1148/radiol.2016151173

상세보기
A. M. den Harder, M. J. Willemink, P. J. van？Doormaal, "Radiation dose reduction for CT？assessment of urolithiasis using iterative？reconstruction: A prospective intra-individual study",？European Radiology, Vol. 28, No. 1, pp. 143-150,？2018. https://doi.org/10.1007/s00330-017-4929-2

상세보기
O. Rampado, L. Bossi, D. Garabello, O. Davini, R.？Ropolo, "Characterization of a computed tomography？iterative reconstruction algorithm by image quality？evaluations with an anthropomorphic phantom",？European Journal of Radiology, No, 11, pp.？3172-3177, 2012.？https://doi.org/10.1016/j.ejrad.2012.06.017

상세보기
T. Falt, M. Soderberg, L. Horberg, C. Christoffersen,？K. Lang, K. Abul-Kasim, P. Leander, "Simulated？dose reduction for abdominal CT with filtered back？projection technique: effect on liver lesion detection？and characterization", American Journal of？Roentgenology, Vol. 212, No. 1, pp. 84-93, 2019.？https://doi.org/10.2214/ajr.17.19441

상세보기
Y. Kuo, Y. Y. Lin, R. C. Lee, C. J. Lin, Y. Y.？Chiou, W. Y. Guo, "Comparison of image quality？from filtered back projection, statistical iterative？reconstruction, and model-based iterative？reconstruction algorithms in abdominal computed？tomography", Medicine(Baltimore), Vol. 95, No. 31,？e4456, 2016.？https://doi.org/10.1097/md.0000000000004456

상세보기
R. C. Nelson, S. Feuerlein, D. T. Boll, "New？iterative reconstruction techniques for cardiovascular？computed tomography: how do they work, and what？are the advantages and disadvantages", Journal of？cardiovascular computed tomography, Vol. 5, No. 5,？pp. 286-292, 2011.？https://doi.org/10.1016/j.jcct.2011.07.001

상세보기
P. De Marco, D. Origgi, "New adaptive statistical？iterative reconstruction ASiR-V: assessment of noise？performance in comparison to ASiR", Journal of？applied clinical medical physics, Vol. 19, No. 2, pp.？275-286, 2018. https://doi.org/10.1002/acm2.12253

상세보기
H. Tang, Z. Liu, Z. Hu, T. He, D. Li, N. Yu, Y.？Jia, H. Shi, "Clinical value of a new generation？adaptive statistical iterative reconstruction (ASIR-V)？in the diagnosis of pulmonary nodule in low-dose？chest CT", The British Journal of Radiology, Vol.？92, No. 1103, 2018.？https://doi.org/10.1259/bjr.20180909

상세보기
K. Yasaka, M. Katsura, M. Akahane, J. Sato, I.？Matsuda, K. Ohtomo, "Model-based iterative？reconstruction for reduction of radiation dose in？abdominopelvic CT: comparison to adaptive？statistical iterative reconstruction", Springer Plus,？Vol. 2, No. 1, pp. 1-9, 2013.？https://doi.org/10.1186/2193-1801-2-209

상세보기
M. Akagi, Y. Nakamura, T. Higaki, K. Narita, Y.？Honda, J. Zhou, Z. Yu, N. Akino, K. Awai, "Deep？learning reconstruction improves image quality of？abdominal ultra-high-resolution CT", European？radiology, Vol. 29, No. 11, pp. 6163-6171, 2019.？https://doi.org/10.1007/s00330-019-06170-3

상세보기
C. T. Jensen, X. Liu, E. P. Tamm, A. G. Chandler,？J. Sun, A. C. Morani, S. Javadi, N. A. Wagner-Bartak, "Image quality assessment of abdominal CT？by use of new deep learning image reconstruction:？initial experience", American Journal of？Roentgenology, Vol. 215, No. 1, pp. 50-57, 2020.？https://doi.org/10.2214/ajr.19.22332

상세보기
F. Tatsugami, T. Higaki, Y. Nakamura, Z. Yu, J.？Zhou, Y. Lu, C. Fujioka, T. Kitagawa, Y. Kihara,？M. Iida, K. Awai, "Deep learning-based image？restoration algorithm for coronary CT angiography",？European radiology, Vol. 29, No. 10, pp. 5322-5329,？2019. https://doi.org/10.1007/s00330-019-06183-y

상세보기
Y. J. Shin, W. Chang, J. C. Ye, E. Kang, D. Y.？Oh, Y. J. Lee, J. H. Park, Y. H. Kim, "Low-Dose？Abdominal CT Using a Deep Learning-Based？Denoising Algorithm: A Comparison with CT？Reconstructed with Filtered Back Projection or？Iterative Reconstruction Algorithm", Korean journal？of radiology, Vol. 21, No. 3, pp. 356-364, 2020.？https://doi.org/10.3348/kjr.2019.0413

상세보기
C. Anam, F. Haryanto, R. Widita, I. Arif, G.？Dougherty, "Automated calculation of water-equivalent diameter (DW) based on AAPM Task？Group 220", Journal of applied clinical medical？physics, Vol. 17, No. 4, pp. 320-330, 2016.？https://doi.org/10.1120/jacmp.v17i4.6171

상세보기
J. G. Nam, J. H. Hong, D. S. Kim, J. Oh, J. M.？Goo, "Deep learning reconstruction for contrast-enhanced CT of the upper abdomen: similar image？quality with lower radiation dose in direct？comparison with iterative reconstruction", European？Radiology, Vol. 31, No. 8, pp. 5533-5543, 2021.？https://doi.org/10.1007/s00330-021-07712-4

상세보기
C. Brusie, "FDA clears GE gealthcare's deep？learning-based CT technology", AXIS, 2019. from:？https://axisimagingnews.com/radiology-products/imaging-equipment/ct/fda-clears-ge-healthcares-deep-learning-ct
J. Grefer, A. Hamard, F. Pereira, C. Barrau, H.？Pasquier, J. P. Beregi, J. Frandon, "Image quality？and dose reduction opportunity of deep learning？image reconstruction algorithm for CT: a phantom？study", European Radiology, Vol. 30, No. 7, pp.？3951-3959, 2020.？https://doi.org/10.1007/s00330-020-06724-w

상세보기
X. Yin, Q. Zhao, J. Liu, W. Yang, J. Yang, G.？Quan, Y. Chen, H. Shu, L. Luo, J. L. Coatrieux,？"Domain progressive 3D residual convolution？net？work to improve low-dose CT imaging", IEEE？Transactions on medical imaging, Vol. 38, No. 12,？pp. 2903-2913,

상세보기
J. Liu, J. Ma, Y. Zhang, Y. Chen, J. Yang, H. Shu,？L. Luo, G. Coatrieux, W. Yang, Q. Feng, W. Chen,？"Discriminative feature representation to improve？projection data inconsistency for low dose CT？imaging", IEEE Transactions on medical imaging,？Vol. 36, No. 12, pp. 2499-2059, 2017.？https://doi.org/10.1109/tmi.2017.2739841

상세보기
C. Park, K. S. Choo, Y. Jung, H. S. Jeong, J. Y.？Hwang, M. S. Yun, "CT iterative vs deep learning？reconstruction: comparison of noise and sharpness",？European Radiology, Vol. 31, No. 5, pp. 3156-3164,？2020. https://doi.org/10.1007/s00330-020-07358-8

상세보기
W. H. Lim, Y. H. Choi, J. E. Park, Y. J. Cho, S.？Lee, J. E. Cheon, W. S. Kim, I. O. Kim, J. H.？Kim, "Application of vendor-neutral iterative？reconstruction technique to pediatric abdominal？computed tomography", Korean Journal of？radiology", Vol. 20, No. 9, pp. 1358-1367, 2019.？https://doi.org/10.3348/kjr.2018.0715

상세보기
S. L. Brady, A. T. Trout, E. Somasundaram, C. G.？Anton, Y. Li, J. R. Dillman, "Improving image？quality and reducing radiation dose for pediatric CT？by using deep learning reconstruction", Radiology.？Vol. 298, No. 1, pp. 180188, 2021.？https://doi.org/10.1148/radiol.2020202317

상세보기
S. Lee, Y. H. Choi, Y. J. Cho, S. B. Lee, J. E.？Cheon, W. S. Kim, C. K. Ahn, J. H. Kim, "Noise？reduction approach in pediatric abdominal CT？combining deep learning and dual-energy technique",？European Radiology, Vol. 31, No. 4, pp. 2218-2226,？2021. https://doi.org/10.1007/s00330-020-07349-9

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증