Dual-energy X-ray imaging systems are widely used in medical imaging fields and industrial fields since they can provide additional material information as well as X-ray attenuation contrast of the imaged object. The material information greatly improves not only the detectability of imaging systems but also the accuracy of estimated physical properties. However, in dual-energy X-ray imaging, noise amplification, which is inevitably occurred due to the calculation between two images, and structural issues caused by dual-energy X-ray imaging approaches deteriorate image quality. Therefore, in this dissertation, we propose novel algorithms for various dual-energy X-ray imaging systems for the common purpose of improving the accuracy of material decomposition.
First, we propose a new clustering algorithm to reduce noise occurred in the cargo inspection system. In the dual-MV X-ray imaging system using a single linear accelerator (LINAC), low-energy images inherently have much higher noise level than high-energy images. To resolve this, we applied a relatively reliable cluster map, obtained from the high-energy image, to the low-energy image for effectively reducing the noise. The proposed clustering algorithm, which includes a regularizer of entropy form, automatically finds the optimal cluster number depending on the imaged object.
Second, we propose a reconstruction algorithm for the dual-energy CT (DECT) system using a multi-slit beam filter. The reconstruction algorithm improves the high-energy image quality by using the asymmetrically sharing sparsity of the relatively high-quality low-energy image. Also, we propose a one-shot material decomposition method that performs image reconstruction and material decomposition simultaneously. The one-shot material decomposition method is applicable to the systems where the shooting angles of low- and high-energy images do not match, such as kV-switching DECT, and effectively reduce beam-hardening artifacts through modeling of polychromatic X-rays.
Finally, we propose an energy-flexible network to reduce the burden of acquiring training data since energy pairs used in DECT are a lot varied according to the applications. In this study, we developed two training techniques that extend two given data spaces for energy flexibility.
We performed both simulations and real experiments in each dual-energy X-ray imaging system to verify the feasibility of the proposed algorithms, and the results show that all the algorithms successfully contribute to improving the accuracy of material decomposition. We expect that the proposed algorithms can be applicable not only to dual-energy X-ray imaging but also to other imaging fields where two images having mostly similar but one different characteristic are dealt with.
이중에너지 X선 영상은 기존의 X선 영상에서 얻을 수 있는 감쇄정보에 추가적인 물질정보를 제공하기 때문에 산업분야와 의료분야 전반에 걸쳐 널리 사용되고 있다. 물질정보는 영상시스템의 탐지능을 향상에 도움을 줄 뿐만 아니라 영상을 통해 얻을 수 있는 파사체의 물성 측정치의 정확도를 크게 향상시킨다. 하지만 두 영상을 처리하는 과정에서 발생하는 본질적인 잡음 증폭 문제와 이중에너지 X선 촬영방법에 따라 생기는 구조적 문제가 영상품질의 저하를 야기한다. 따라서 본 논문에서는 물질분별 정확도 향상이라는 공통적인 목적으로 각 이중에너지 X선 영상시스템을 위한 새로운 영상처리 방법들을 제안한다.
먼저 화물검색시스템에서 발생하는 잡음 제거를 위한 새로운 군집알고리즘을 제안한다. 단일 선형가속기를 사용하는 이중에너지 X선 영상 시스템에서는 저에너지 영상이 본질적으로 고잡음 특성을 가지는데, 이를 해결하기 위해 고에너지 영상에서 얻은 신뢰도 높은 군집 정보를 저에너지 영상에 동일하게 적용하여 노이즈를 크게 저감했다. 본 연구에서 개발된 군집 알고리즘은 엔트로피 형태의 규칙화를 사용하여 피사체에 따라 자동으로 최적의 군집 개수로 수렴한다.
다음으로, 선원 앞에 다중 빔 필터를 사용하는 이중에너지 CT 시스템에서의 재건방법을 제안한다. 상대적으로 고품질인 저에너지 영상이 가지고 있는 비대칭적 공유 희소성을 이용하여 고에너지 영상 화질을 개선하는 재건방법을 개발하였다. 또, 재건과 물질분별을 동시에 수행하는 원샷 물질분별 방법을 제안한다. 제안하는 원샷 물질분별 방법은 kVp 스위칭 이중에너지 CT 시스템과 같이 저에너지 영상과 고에너지 영상의 촬영 각도가 일치하지 않는 시스템에서도 적용할 수 있고 X선의 다색성 모델링을 통해서 빔경화 아티팩트를 효과적으로 저감한다.
마지막으로, 이중에너지 CT 재건에 딥 러닝을 사용할 때 발생하는 학습데이터 취득 부담을 줄이기 위한 연구로 에너지 유동적인 딥 러닝 네트워크를 제안한다. 본 연구에서 에너지 유동성을 위해 주어진 두 에너지 데이터의 학습공간을 확장시키는 두 가지 학습 기법을 개발하였다.
본 연구진은 제안된 방법들의 실행 가능성을 확인하기 위해 각 이중에너지 X선 영상 시스템에서의 실험 혹은 시뮬레이션을 통해 검증을 수행하였고 성공적으로 제안한 방법들이 물질분별 정확도 향상에 기여하였음을 확인하였다. 제안한 방법들은 이중에너지 X선 영상에서뿐만 아니라 유사하지만 서로 다른 특성을 가지는 영상을 다루는 분야에도 활용 가능할 것으로 기대한다.
