Metal artifacts in CT image disturb accurate diagnosis. To date, many iterative and direct reconstruction methods have been developed to reduce metal artifacts. In this thesis, we address convolutional neural networks (CNN) based computed tomography (CT) image reconstruction. We verify that our algorithm can reduce metal artifacts in the image similar to those used in learning. However, if our algorithm encounters a new image that is not in the class of images for learning, it cannot beat the existing model based reconstruction results. Although our algorithm does not work properly when meeting new images, better model based reconstruction input data produces better output image.
금속이 있는 환자의 CT 영상의 경우, 금속음영으로 인해 정확한 진단이 어렵다. 지금까지 이 금속 음영을 제거하기 위해 반복적인 작업을 수행하거나 직접 복원을 하는 등 모델 기반의 여러 방법이 있었다. 이 논문 에서는 기존에 존재하는 복원 방법들의 결과를 학습데이터로 이용한 이용한 심층학습에 기반한 CT 영상의 복원을 진행하였다. 심층학습을 통해 금속음영을 어떤 식으로 제거하는지 학습한 다음 결과를 확인해 보았 다. 그 결과 미리 학습된 부위의 CT 영상의 경우 금속음영을 효과적으로 제거하는 것과 미리 학습되지 않은 부위의 CT 영상의 경우에는 기존의 모델 기반 복원 결과를 뛰어넘지 못하는 것을 확인하였다. 다만, 미리 학습되지 않은 부위의 CT 영상이라도 더 좋은 모델 기반 복원 결과로 학습시킬 경우 결과가 개선되는 것을 확인할 수 있었다.
