|
Аннотация.
Метод контролируемой томографической реконструкции (КТР) является новейшим методом малодозовой томографической реконструкции. Он позволяет снизить как радиационную нагрузку на объект, так и время проведения измерения. Протокол исследования методом КТР заключается в том, что после сбора нескольких проекций проводится реконструкция, а затем проверка выполнения правила. Измерения останавливаются, если правило выполнено. В противном случае регистрируется следующая серия проекций. Количество и последовательность проекционных углов в серии указываются в протоколе, который формируется по результатам «калибровки» метода. Метод КТР позволяет получить такое же среднее качество реконструкции, что и в ситуации применения стандартного протокола, но при меньшем среднем количестве проекций. Стандартным является протокол последовательного выполнения этапов сбора проекций и реконструкции. В данной работе впервые показано изменение динамики поведения метода КТР при смене алгоритма реконструкции. Эксперименты проводились для алгоритмов FBP, SIRT, SIRT-TV на синтетических данных.
Ключевые слова:
компьютерная томография, контролируемая томографическая реконструкция, алгоритм реконструкции, радиационная нагрузка, правило останова.
Стр. 10-18.
DOI: 10.14357/20790279220302 Литература
1. Kak A.C., Slaney M. Principles of computerized tomographic imaging. Society for Industrial and Applied Mathematics. 2001. 2. Bulatov K.B., Chukalina M.V., Nikolaev D.P. Fast X-ray sum calculation algorithm for computed tomography problem //Вестник Южно-Уральского государственного университета. Серия: Математическое моделирование и программирование. 2020. Т. 13. №. 1. С. 95-106. 3. Pashina T.A. et al. Automatic highlighting of the region of interest in computed tomography images of the lungs //Computer Optics. 2020. Т. 44. №. 1. С. 74-81. 4. Baldacci F. et al. 3D human airway segmentation from high hesolution MR imaging //Eleventh International Conference on Machine Vision (ICMV 2018). SPIE, 2019. Т. 11041. С. 244-250. 5. Sharma M., Bhatt J.S., Joshi M.V. Early detection of lung cancer from CT images: nodule segmentation and classification using deep learning //Tenth International Conference on Machine Vision (ICMV 2017). International Society for Optics and Photonics. 2018. Т. 10696. С. 106960W. 6. Bartscher M., Neuschaefer-Rube U., Wäldele F. Computed Tomography - a highly potential tool for Industrial quality control and production near measurement// 8th International Symposium on Measurement and Quality Control in Production. Erlangen, Germany. 2004. 7. Topal E. et al. Multi-scale X-ray tomography and machine learning algorithms to study MoNi4 electrocatalysts anchored on MoO2 cuboids aligned on Ni foam //BMC Materials. 2020. Т. 2. №. 1. С. 1–14. 8. Polikarpov M. et al. Visualization of protein crystals by high-energy phase-contrast X-ray imaging // Acta Crystallographica Section D: Structural Biology. 2019. Т. 75. №. 11.С. 947-958. 9. Данильчук Т.Н., Асадчиков В.Е., Бузмаков А.В., Золотов Д.А. Рентгеновская томография при исследовании изменений структуры зерновок в процессе солодоращения // Пиво и напитки.- 2008. - №2. URL: https://cyberleninka.ru/article/n/rentgenovskaya-tomografiya-pri-issledovaniiizmeneniy-struktury-zernovok-v-protsessesolodorascheniya. 10. Прокоп М., Галански М. Спиральная и многослойная компьютерная томография //Учебное пособие. 2007. Т. 2. 11. Brenner D.J., Hall E.J. Computed tomography - an increasing source of radiation exposure //New England journal of medicine. 2007. Т. 357.№. 22. С. 2277-2284. 12. Маткевич Е.И., Синицын В.Е., Мершина Е.А. Сравнительный анализ доз облучения пациентов при компьютерной томографии в федеральном лечебном учреждении //Вестник рентгенологии и радиологии. 2016. Т. 97. №. 1. С. 33-39. 13. Маткевич Е.И., Иванов И.В. Направления снижения дозы облучения при компьютерной томографии //Research’n Practical Medicine Journal. 2018. Т. 5. №. Спецвыпуск 2. С. 48-49. 14. Slovis T.L. The ALARA concept in pediatric CT: myth or reality? //Radiology. 2002. Т. 223. №. 1. С. 5-6. 15. Mittal T.K., Rubens M.B. Computed tomography techniques and principles. Part A. Electron beam computed tomography //Noninvasive Imaging of Myocardial Ischemia. Springer, London. 2006. С. 93-98. 16. MacGregor K. et al. Identifying institutional diagnostic reference levels for CT with radiation dose index monitoring software //Radiology. 2015. Т. 276. №. 2. С. 507-517. 17. Азнауров В.Г. МСКТ с низкой лучевой нагрузкой в визуализации новообразований печени и поджелудочной железы. Дис. канд. мед. наук: 14.01.13. М. 2018. С. 99. 18. Лихачев А.В. Повышение контрастности малоракурсных томограмм, полученных алгебраическими алгоритмами реконструкции // Вычислительные технологии. 2009. Т. 14. №. 3. С. 37-47. 19. Bulatov K. et al. Monitored reconstruction: Computed tomography as an anytime algorithm // IEEE Access. 2020. Т. 8. С. 110759-110774. 20. Buzug T.M., Thorsten M. Computed tomography //Springer handbook of medical technology. Springer, Berlin, Heidelberg. 2011. С. 311-342. 21. Basu S., Bresler Y. Filtered backprojection reconstruction algorithm for tomography //IEEE Transactions on Image Processing. 2000. Т. 9. №. 10. С. 1760-1773. 22. Gordon R., Bender R., Herman G.T. Algebraic reconstruction techniques (ART) for threedimensional electron microscopy and X-ray photography //Journal of theoretical Biology. 1970. Т. 29. №. 3. С. 471-481. 23. Sidky E. Y., Pan X. Image reconstruction in circular cone-beam computed tomography by constrained, total-variation minimization //Physics in Medicine & Biology. 2008. Т. 53. №. 17. С. 4777. 24. Chai T., Draxler R.R. Root mean square error (RMSE) or mean absolute error (MAE) // Geoscientific Model Development Discussions. 2014. Т. 7. №. 1. С. 1525-1534. 25. Щербаков М.В. и др. Обзор показателей ошибок прогноза // World applied sciences journal. 2013. 24(24). С. 171-176. 26. Garcia-Ramirez J.L. et al. Performance evaluation of an 85-cm-bore X-ray computed tomography scanner designed for radiation oncology and comparison with current diagnostic CT scanners // International Journal of Radiation Oncology* Biology* Physics. 2002. Т. 52. №. 4. С. 1123-1131. 27. Mansour Z. et al. Quality control of CT image using American College of Radiology (ACR) phantom //The Egyptian journal of Radiology and nuclear medicine. 2016. Т. 47. №. 4. С. 1665-1671. 28. Correia J.A. A Novel High Resolution Positron Emission Tomography System for Measurement of Bone Metabolism. MASSACHUSETTS GENERAL HOSPITAL BOSTON, 2003. 29. Faragó T. et al. syris: a flexible and efficient framework for X-ray imaging experiments simulation //Journal of Synchrotron Radiation. 2017. Т. 24. №. 6. С. 1283-1295. 30. Description of the smart tomo engine software. [Электронный ресурс]. URL: https:// smartengines.com/ocr-engines/tomo-engine (дата обращения 19.05.22)
|
