Earticle

본 연구의 목적은, 핵의학 분야에서 주로 이용되는 Geant4 application tomographic emission (GATE) 시뮬레이 션을 툴을 사용하여 quadrant bar 팬텀 과 γ-camera를 모사하여 영상을 획득하고, 육안평가를 통해 영상의 질을 비교 하였다. cadmium telluride 반도체 디텍터와 평행다공형 콜리메이터를 사용해 영상을 획득하였고, 4 분할로 구성되어 있는 bar 팬텀 (0.5, 1, 1.5, 2 mm)을 GATE 시뮬레이션 툴을 이용해 방사성동위원소 99mTc, 100 kBq 의 용량으로 500 초 동안 영상을 획득 했다. 획득한 영상을 육안으로 평가했을 때, 1.5 와 2 mm bar 영상에서 각 bar 별 구별이 가능함을 확인 할 수 있었다. 본 연구를 통해 quadrant bar 팬텀 과 γ-camera를 완벽하게 모사하였고, 영상획득 후 평가하였다.

In this study, we modeled gamma camera with cadmium telluride (CdTe) pixelated semiconductor detector using Geant4 application tomographic emission simulation tool using the quadrant bar phantom and evaluated image quality as visualization evaluation. We modeled CdTe semiconductor detector and pixelated parallel hole collimator with same pixel size as pitch size. The quadrant bar phantom was also simulated with four bars which consists of different length (0.5, 1, 1.5 and 2 mm). The radioistope and activity were used by 99mTc, 100 kBq during 500 s, respectively. Based on the visualization evaluation, it is confirmed that 1.5 and 2 mm bar conditions is distinguishable. In conclusion, we achieved excellent result by modeling the gamma camera system using the GATE simulation tool.

본 연구에서는, 덴탈 파노라마 영상의 선예도 향상을 위해 새로운 유형의 적응형 파노라마 기술을 제안했다. 제안하는 기법은 동심원 운동에 대한 FBP 방법을 사용하여 재구성하는 디지털 토모신테시스를 기반으로 한다. 해당 지오메트리에 서는 불완전한 샘플링으로 인한 재구성 후 흐려짐 현상을 억제하기 위해 적합한 필터를 사용하여 필터링 프로세스를 구현했다. 제안한 방법의 타당성을 검증하기 위해 체계적인 시뮬레이션 및 재구성 영상의 특성을 조사하였다. 우리의 결과는 사전에 정의된 관심 평면에서 선명한 영상을 획득할 수 있음을 나타냈다. 결과적으로 제안하는 알고리즘은 영상 의 선예도가 명확한 결과를 가져오며 이는 덴탈 재구성 영상의 판독성을 증가시켜 진단에 도움이 될 것으로 예상한다.

In this study, we proposed a new type adaptive panoramic technique for improving the image sharpness. This imaging method is based upon the digital tomosynthesis using a filtered-backprojection (FBP) method for an iso-centric circular motion. We implemented a filtering process using the apodizing filter to suppress the blurring artifact due to the incomplete sampling in this geometry. To verify the feasibility of the suggested technique, we have performed systematic simulation works and investigated the image characteristics. Our results indicate that predefined planes-of-interest can be well focused with definite image sharpness and that the position of image layer center can be adjusted precisely with proper amounts of shift in the reconstruction.

본 연구의 목적은, 핵의학 시뮬레이션 툴인 Geant4 application for tomographic emission (GATE) 시뮬레이션 툴을 이용하여 E-cam γ-camera (Siemens, Germany)를 완벽히 모사하고, 점선원의 영상을 얻어 거리의 변화에 따른 γ-camera 영상의 민감도를 평가하고자 한다. 0.95 cm 두께의 NaI를 사용한 신틸레이터, 길이 2.405 cm, hole 크기 1.11 mm 와 0.16 mm 의 격벽 두께로 벌집모양 평행다공형 콜리메이터를 모사한 후, 방사성동위원소 99mTc, 1 MBq으로 부터의 γ선을 500 초 동안 각각 1, 2, 3, 4 cm 거리에 따라 획득하였다. 결과적으로, 1, 2, 3, 4 cm 따른 디텍터와 점선원의 거리의 변화에 따른 민감도는 335.5, 335.5, 327.3, 313.2 cps/MBq 다. 결론적으로, 거리에 따른 영상의 민감도는 특별한 변화를 보이지 않음을 확인하였다. 본연구를 통해 γ-camera와 점선원을 완벽히 모사하였 고, 영상을 획득한 후 평가하였다.

In this study, we modeled E-cam γ-camera (Siemens, Germany) and point source using the geant4 application for tomographic emission (GATE) simulation tool in version 8.0. The purpose of this study was to evaluate image performance in the gamma image. To model γ-camera, we use NaI scintillator (59.1 × 44.5 cm2) and 0.95 cm of thickness. The collimator consists of hexagonal parallel type of 2.405 cm in hole length, 1.11 mm in hole size, and 0.16 mm in septal thickness. In addition, acquisition time for simulation was 500 second using the point source which is 99mTc in 1 MBq according to 0, 1, 2, 3, and 4 cm from detector to point source distance. The sensitivity (cps/MBq) was used for evaluation gamma images. Based on the results, the sensitivity for 0, 1, 2, 3, and 4 cm from the detector to point source were 335.5, 335.5, 335.5, 327.3, 313.2 cps/MBq, respectively. In conclusion, we achieved excellent results using the GATE simulation tool and there is no significant difference according to the distance for sensitivity.

디지털 X-선 영상에서는 불완전한 영상시스템에 의해 왜곡된 정보가 반영되어 나타나며 이는 영상 진단에 있어 위양 성을 발생시키는 원인이 된다. 특히 유한한 X-선 튜브의 초점크기와 디지털 디텍터의 유한한 픽셀크기 등으로 인해 발생되는 시스템 열화함수 (point-spread function, PSF)는 영상을 블러링 시키는 주된 원인이 된다. 본 연구에서는 이러한 PSF를 영상 시스템에서 측정하여 제한된 역필터링 기법을 통해 블러링을 제거함으로써 영상 복원을 수행하였다. 본 연구에서의 결과는 노이즈와 같은 방해요소가 있는 영상에서도 제안하는 제한된 역필터링 기법이 효과적임을 확인할 수 있다.

In this study, we proposed a new image restoration method using the limited inverse direct filtering method in digital radiography for improving image quality. The obtained image from the imaging system is imperfect due to infinite focal spot size and detector pixel size mainly. It is influenced to the diagnosis toward the false. We implemented the image restoration focused on the inverse filtering using the point spread-function (PSF) using the proposed method. The results of this study show that the limited inverse direct filtering interferences such as noise is effective.

본 연구에서는, 사전 정보 학습을 통한 사이노그램 도메인에서의 저선량 CT 재구성을 수행하였다. 해당 복원 방법은 희소 데이터의 성질과 사전에 특성에 대한 성분을 훈련 시킨 정보를 기반으로 학습된 정보를 사용한다. 제안된 재구성 알고리즘을 구현하고 희소 뷰 CT 재구성에 대한 유용성을 입증하기 위해 수학적인 팬텀을 사용하여 체계적인 시뮬레이 션을 수행하였다. 제안한 방법의 타당성을 검증하기 위해 필터링 후 역투영법 (FBP)을 통해 재구성된 영상과 제안하는 방법으로 재구성한 영상의 품질을 조사하였다. 우리의 결과는 FBP 기반의 재구성 방법에 의해서 적은 투영 데이터에서 도 줄무늬 아티팩트를 줄이는데 효과적인 것으로 나타났다.

In this study, we perform a low-dose reconstructed CT with inpainting technique usint the dictionary learning in sinogram domain. This restoration method is based upon the representation learning using a dictionary functions and property of sparse data. We implemented the proposed reconstruction algorithm and performed a systematic simulation using a numerical phantom to demonstrate its viability for sparse-view CT reconstruction. The reconstruction qualities for the two reconstruction techniques of filtered back-projection (FBP) and proposed method were investigated. Our results demonstrate that the proposed approach seems to be effective for reducing the streak artifacts considerably in sparse-view CT reconstruction.

본 연구의 목적은, 본 연구에서는 YOLO V2를 이용하여 무릎과 고관절의 인공관절 분류 정확성을 알아보고자 한다. 일반 무릎관절, 무릎 인공관절 삽입, 일반 엉덩관절, 엉덩 인공관절 삽입 X-선 영상을 이용하였다. YOLO V2의 기본구 성을 이용하여 이미지 특징을 파악하며 900회 학습을 반복하였다. 학습을 통해 얻어진 가중치를 이용하여 학습되지 않은 test영상을 시험하였다. 적은양의 데이터를 활용하였으나 분류 예측 정확도는 만족할만한 수준이었다. 인공관절 X-선 영상 분류 시 YOLO V2 모델의 활용가능성을 확인하였으며, 이는 방사선영상에 빠른 딥러닝 적용 시 기초 자료로 사용될 수 있을 것이라 사료된다.

In this study, we will going to find out classification accuracy of implants in the knees and hip joints using YOLO V2. We used normal knee, knee implant, normal hip joint, hip joint implant x-ray images. Using the basic composition of YOLO V2, it was repeated 900 times of learning, identifying the characteristics of image. Using the weight obtained by learning, we tested none, hip joint implant, knee joint implant images which were not contained at learning. Even we used less quantity of data, classification accuracy was satisfied. Usability of YOLO V2 model for classification of X-ray images of artificial joints has been verified, which can be used as basic data for rapid deep learning application to radiographic images.