With the development of flat-panel detector, in X-ray imaging, X-ray scatter causes image quality degradation and incorrect estimation of primary radiation. To reduce or correct scatter artifacts, many kinds of methods have been continuously developed, and among them, the kernel-based scatter correction method has been widely adopted in terms of fast calculation and easy implementation. However, the kernel-based method using pencil beam is less accurate in estimating scatter near the breast boundary in digital breast tomosynthesis, where rotation of the source is added. In this study, we proposed a supervised learning-based scatter correction method using a convolutional neural network in numerical breast phantom with Monte Carlo simulation. Through the proposed method, we confirmed better performance in estimation of scatter than conventional kernel-based method and robustness according to breast density. We expect that the proposed method can be extended to clinical data in the future.
평판형 검출기의 개발과 함께, 엑스선을 이용한 이미징은 엑스선 산란으로 인하여 영상 품질의 저하 및 주방사선의 추정에 있어 부정확한 결과를 초래해왔다. 이러한 산란을 저감 혹은 보정하기 위해 많은 방법들이 계속해서 개발되어 왔으며 그 중 소프트웨어를 이용하는 커널 기반의 산란 보정 방식은 빠른 연산과 적용하기 쉬운 알고리즘으로 많이 채택되어 왔다. 하지만 이러한 커널 기반의 산란 보정 방식은 연필심을 기반으로 엑스선 산란을 추정하기에 소스의 회전이 추가되는 디지털 유방 단층영상합성에서는 유방 경계 부근에서의 산란 추정에 있어서 정확도가 떨어지게 된다. 본 연구에는 몬테카를로 시뮬레이션을 통한 전산모사 유방 팬텀에서 합성곱 신경망을 이용하는 지도 학습 기반의 산란 보정 방법을 제안한다. 제안한 방법을 통해 기존의 커널 기반 산란 보정 방식 보다 모든 영역에서 산란 추정 정확도를 올림과 동시에 다양한 유방 밀도에서도 유사하게 보정할 수 있음을 확인한다. 제안한 방식은 추후 임상 데이터에도 확장 가능할 것이라 기대한다.
