머신러닝을 이용한 회전변조시준기(RMC) 영상화 알고리즘 개선 :Machine learning-based image reconstruction algorithm for rotating modulation collimator

박소현

추천

검색

자료유형: 학위논문

저자정보: 박소현 (서울과학기술대학교, 서울과학기술대학교 대학원)

지도교수: 이계민

발행연도: 2019

저작권: 서울과학기술대학교 논문은 저작권에 의해 보호받습니다.

이용수1

이 논문의 연구 히스토리 (4)

2019

머신러닝을 이용한 회전변조시준기(RMC) 영상화 알고리즘 개선

박소현 2019.01 학위논문

2018

Non-Local Means을 이용한 회전 변조 시준기 영상화 알고리즘 개선

박소현 , 이계민 전자공학회논문지 2018.11 학술저널

Convolutional Neural Network(CNN)을 이용한 회전 변조 시준기(RMC) 영상화 알고리즘

박소현 , 이계민 대한전자공학회 학술대회 2018.06 학술대회자료

2017

Non-local Means을 이용한 회전 변조 시준기(RMC) 영상화 알고리즘 개선

박소현 , 이계민 대한전자공학회 학술대회 2017.11 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

회전 변조 시준기(Rotational modulation collimator, RMC)는 미지의 방사선원을 영상화하기 위한 장치로, 구조가 간단하고 선원을 원격에서 검출할 수 있다는 장점이 있다. 그러나 기존의 MLEM을 기반으로 하는 영상화 알고리즘은 RMC를 통해 검출되는 광자의 수가 충분하지 않으면 선원이 아닌 곳을 선원이라고 잘못 추정하는 아티팩트가 발생하는 문제점이 있다. 이러한 문제를 해결하기 위해서 Non-Local Means(NLM)을 이용하여 구조적 정보를 보존하며 잡음을 제거하는 알고리즘을 제안하며, 영상화 결과의 아티팩트를 완화시킴을 보인다.
또한 MLEM을 기반으로 하는 영상화 방법은 사전에 모두 계산된 기하학적인 정보(system matrix)와 선원이 떨어진 거리를 알아야만 정확한 결과를 얻을 수 있다는 한계가 있다. 따라서 딥러닝을 이용한 영상화 알고리즘을 통해 관측 데이터만으로 선원의 위치를 검출하는 방법을 제안한다. 특히 방사선 안전 분야에서는 선원의 위치를 파악하는 것이 중요하기 때문에, 선원의 세기와 위치를 모두 추정하는 기존의 알고리즘과는 달리 선원의 위치를 보다 정확하게 검출하는데 초점을 맞춘다.
마지막으로 변조패턴을 획득하는 과정에서 RMC의 회전 각도를 줄여 얻은 데이터를 이용하여 선원의 위치를 검출하고자 변조패턴의 interpolation을 위한 딥러닝 모델을 제안한다. 모델을 변조패턴에 적용하여 잡음을 제거하고, 스케일을 보정함으로써 영상화 결과를 향상시킨다. 이를 통해 데이터를 획득하는 시간을 줄일 수 있으며, 제한된 데이터에도 불구하고 영상화 결과가 개선됨을 실험을 통해 확인한다.

A rotating modulation collimator(RMC) is an indirect imaging device for estimating remote radiation sources. However, when the counts of detected radiations are low, the RMC generates artifacts in the reconstructed images. As radiation sources are often blocked or shielded in a number of practical applications, the false estimates may lead to misinterpretation and misjudgement. To solve this problem, we propose novel reconstruction algorithms for the RMC.
In this thesis, we propose to denoise the modulation profile prior to image reconstruction in chapter Ⅱ. To achieve this goal, we use a variance stabilization transformation removes the data-dependency of Poisson noise, so that the noise variance becomes constant throughout the whole data. After that, we use NLM filter to remove the noise while preserving the characteristic structures in the RMC data. Since these features in modulation profiles provide information on radiation source locations, preserving them is critical for the later image reconstruction step. We have verified that the proposed method enhances the performance of the reconstructed images through experiments with modulation profile from RMC system model and Monte Carlo simulation data. In addition, we have also considered asymmetric masks to address the problem of source ambiguity that is inherent in a typical RMC system with symmetric masks.
In the field of radiation safety, it is more critical to find the directions of radiation sources than the source activities. In chapter Ⅲ, we propose to simplify the reconstruction problem into a classification problem, and focus on accurately detecting the source locations. An image reconstruction based on MLEM algorithm requires geometric information. However, it is hard to know the exact information of the sources in advance. To deal with these limitations, we propose new reconstruction algorithms based on convolutional neural network and generative adversarial network. Our simulation study shows that the proposed classification-based methods improve the results compared to the conventional MLEM algorithm.
In chapter Ⅳ, we propose to reduce the rotation angle of the RMC makes the modulation profile in a shorter period of time. However, since the number of measurements of the RMC become reduced, the image quality degrades and artifacts are more prevalent in the reconstructed images. To solve this problem, we proposed a deep learning model that interpolates the modulation profile. In particular, we apply convolutional neural network, which is used for image super resolution, to modulation profile. It denoises and rescales the modulation profile. Thus, our model can be used to reduce the RMC measurement time while improving the performance of the reconstructed image.

제 1장. 서 론 1
제 1절. 연구의 배경 및 목적 1
제 2절. RMC 시스템 모델 3
제 3절. MLEM 영상화 알고리즘 4
제 4절. 논문의 개요 7
제 2장. NLM을 이용한 영상화 알고리즘 8
제 1절. 제안하는 알고리즘 8
1. 분산 안정화 8
2. NLM 9
3. 변환된 영상화 알고리즘 9
제 2절. 실험 10
1. MLEM 알고리즘과 아티팩트 10
2. 제안하는 알고리즘의 영상화 결과 개선 11
3. 정량적 평가 14
4. 다양한 위치의 선원 15
5. 비대칭 마스크 17
6. 다양한 세기의 선원 19
7. 다중선원 21
8. MCNP 전산모사 결과 23
제 3절. 요약 26
제 3장. 딥러닝을 이용한 영상화 알고리즘 27
제 1절. 영상화를 위한 CNN model 27
제 2절. 제안하는 GAN model 28
제 3절. 실험 30
1. 실험 셋업 및 데이터 30
2. 단일선원 31
3. 다중선원 34
4. 정량적 평가 38
5. 다양한 세기의 선원 39
제 4절. 요약 41
제 4장. 영상화 속도 향상을 위한 딥러닝 기술 42
제 1절. 제안하는 SRCNN model 43
제 2절. 스케일 보정 44
제 3절. 실험 44
1. 실험 셋업 및 데이터 44
2. 단일선원 45
3. 다중선원 50
4. 다양한 세기의 선원 53
5. scaling factor (α) 56
제 4절. 요약 58
제 5장. 결 론 59
참고문헌 61
영문초록 63
감사의글 65

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (4)

초록· 키워드

목차

최근 본 자료

댓글(0)