In this study, we developed image reconstruction algorithms for carbon nanotube(CNT) array-based digital tomosynthesis (DTS). Moreover, since this system differs from the conventional DTS, image reconstruction algorithms had to be modified appropriately. Filtered back-projection (FBP) and maximum likelihood exposure maximization (MLEM) are the most commonly used image reconstruction algorithms for DTS. In FBP, we applied the 2D ramp filter, the convolution of 1D filters in each direction, instead of the conventional 1D filter. Furthermore, in both FBP and MLEM cases, the data was multiplied by a smoothed binary mask to remove image artifacts caused by scattering signals generated on the boundary between the part blocked by the collimator mounted in front of the source and the part that was not.After reconstructing the 3D image, we also developed an image processing method to create a 2D synthetic image from the 3D image. This method allows us to produce 3D and 2D images without additional doses. There are numerous algorithms for 2D image synthesis in DTS. However, the characteristics and artifacts of reconstructed images are different using array-based sources, so they are similar to those of optical microscopes rather than conventional DTS. Therefore, we developed an advanced smooth manifold extraction (ASME) in this study by modifying the smooth manifold extraction (SME) used in optical microscopy to suit our system.We also studied a deep learning algorithm that improves the depth resolution of DTS images. Unlike full-3D CT images, a DTS image is called a quasi-3D image due to the poor resolution of the reconstructed image because projection data is obtained only at a limited angle. In order to solve this problem, we used supervised learning called 3D U-net. Furthermore, by studying the loss function that can be applied depending on target objects, we made the method to be used both in medical and industrial fields.
본 연구에서는 탄소나노튜브 배열 기반 디지털 단층영상 합성 시스템에 사용될 영상 재구성 알고리즘들을 개발하였다. 그리고 이 시스템은 기존의 디지털 단층영상 합성 시스템과는 다르기 때문에 그에 알맞게 영상 재구성 알고리즘들이 수정되었다. 일반적으로 디지털 단층영상 합성에 가장 많이 사용되는 영상 재구성 알고리즘인 filtered back-projection (FBP)와 maximum likelihood expectation maximization (MLEM) 방법을 사용하였다. FBP에서는 1D ramp filter를 각 방향으로 합성곱하여 2D ramp filter를 적용해주었다. 그리고 FBP와 MLEM 두 경우 모두 선원 앞단에 장착된 콜리메이터에 의해 차단된 부분과 그렇지 않은 부분의 경계선에 생기는 산란 신호들에 의한 영상 아티팩트를 제거하기 위해 데이터에 평탄화된 이진 마스크를 곱해주었다.3D 영상을 재구성한 이후에는 이 영상으로 다시 2D 합성 영상을 만드는 영상처리방법도 개발하였다. 이 방법을 사용하면 추가적인 선량을 조사하지 않고도 3D와 2D영상 모두를 만들어낼 수 있다. 단층영상 합성 분야에서는 이를 위한 수많은 알고리즘이 연구되어왔지만 배열 기반 선원을 이용하면 재구성된 영상의 특성이나 아티팩트 등이 다르게 나타나기 때문에 오히려 기존 단층영상 합성 분야가 아닌 광학 현미경 분야의 영상과 비슷하다. 그렇기 때문에 이 연구에서는 광학 현미경 분야에서 사용되는 smooth manifold extraction (SME)라는 방법을 이 시스템에 알맞게 수정하여 advanced SME라는 방법을 개발하였다.또한 단층영상 합성의 깊이방향 영상 분해능을 향상시키는 딥러닝 기반 알고리즘도 개발하였다. 단층영상 합성은 완전한 3D영상인 CT와 달리 일정각도에서만 투사데이터를 얻기 때문에 재구성했을 때의 영상 분해능이 좋지 않아 quasi-3D 영상이라고 불린다. 이를 해결하기 위해 3D U-net이라는 지도학습을 사용하였다. 추가적으로 촬영하고자 하는 물체에 따라 적용할 수 있는 손실 함수에 대해 연구함으로써 의료 및 산업 분야에서 다양하게 사용할 수 있는 방법을 개발하였다.
