이 쿠키는 웹사이트가 정상적으로 작동하는 데 필요하며 시스템에서 꺼질 수 없습니다. 주로 사용자가 요청한 서비스(개인정보 설정, 로그인, 양식 작성 등)를 제공하기 위해 설정됩니다. 브라우저에서 이 쿠키를 차단하거나 알림을 받을 수 있도록 설정할 수 있지만, 이 경우 사이트 일부 기능이 정상적으로 작동하지 않을 수 있습니다. 이 쿠키는 개인 식별 정보를 저장하지 않습니다.
+타겟팅 쿠키
이 쿠키는 광고 파트너를 통해 설정되며, 귀하의 관심사에 기반한 광고를 다른 사이트에 표시하는 데 사용됩니다. 이 쿠키는 직접적으로 개인정보를 저장하지 않으며, 브라우저와 인터넷 기기 식별을 기반으로 작동합니다. 이 쿠키를 허용하지 않으면 타겟팅 광고를 덜 경험하게 됩니다.
+성능 쿠키
이 쿠키는 웹사이트 방문자 수 및 트래픽 소스를 집계하여, 사이트의 성능을 측정하고 개선하는 데 사용됩니다. 어떤 페이지가 인기가 많은지, 방문자가 사이트를 어떻게 이동하는지를 파악하는 데 도움이 됩니다. 모든 정보는 익명으로 수집되며, 이 쿠키를 허용하지 않을 경우 방문 및 활동 기록을 알 수 없어 사이트 성능 모니터링에 제약이 생깁니다.
This study aimed to develop and validate a convolutional neural network (CNN) to convert CT images reconstructed with one kernel to those with different reconstruction kernels without using a sinogram. The study included ten chest CT scans reconstructed with B10f, B30f, B50f, and B70f kernels, divided into training, validation, and testing datasets. A CNN with six convolutional layers was constructed. Performance was evaluated using root mean square error (RMSE) values. For clinical validation, 30 additional chest CT scans reconstructed with B30f and B50f kernels were converted and analyzed using Aview software for emphysema quantification. The scheme achieved a rapid conversion rate of 0.065 s/slice and significantly reduced RMSE (mean reduction of 65.7%). Emphysema indices for B30f, B50f, converted B30f, and converted B50f were 5.4%, 15.3%, 5.9%, and 16.8%, respectively. The CNN-based conversion demonstrated high accuracy and speed, highlighting its potential for clinical use.
목록으로
